Una firma radiopatómica de aprendizaje profundo predice el riesgo de recurrencia del carcinoma hepatocelular tras la hepatectomía

Por qué esto importa para las personas con cáncer de hígado

El cáncer de hígado está entre los más letales a nivel mundial y, aun cuando los cirujanos extirpan el tumor visible, muchos pacientes ven que la enfermedad reaparece en pocos años. Este estudio presenta una herramienta de inteligencia artificial que combina exploraciones médicas y imágenes microscópicas de los tumores para predecir mejor quién tiene más probabilidades de experimentar una recurrencia del carcinoma hepatocelular, la forma más común de cáncer de hígado. Tales predicciones podrían ayudar a los médicos a personalizar el seguimiento y tratamientos adicionales, con el objetivo de prevenir la recurrencia y prolongar la vida de los pacientes.

Ver el tumor en su conjunto, por dentro y por fuera

Los médicos suelen basarse en tomografías computarizadas (TC), análisis de sangre e informes patológicos básicos para estimar el riesgo de recurrencia tras la cirugía hepática. Cada una de estas herramientas observa el tumor desde un ángulo distinto, pero ninguna captura por completo su complejidad. Las imágenes de TC muestran la forma global del tumor, su vascularización y su relación con el hígado, mientras que los cortes microscópicos revelan cuán agresivas son las células cancerosas y cómo interactúan con el tejido circundante. Los investigadores plantearon que un sistema informático que “mire” ambos niveles a la vez —las exploraciones a nivel de órgano y las imágenes a nivel celular— podría reconocer patrones que se escapan al ojo humano y, por tanto, predecir con mayor precisión si el cáncer volverá.

Una huella digital digital combinada del tumor

El equipo desarrolló lo que denominaron una firma radiopatómica de aprendizaje profundo (DLRP), esencialmente una huella digital de cada tumor construida a partir de dos fuentes de datos. Primero, una red neuronal delineó automáticamente los tumores en las TC preoperatorias y aprendió características sutiles de la imagen relacionadas con la recurrencia. Segundo, otra red analizó imágenes digitales de las laminillas teñidas con hematoxilina-eosina, dividiéndolas en miles de pequeños parches y aprendiendo qué patrones microscópicos tenían mayor relevancia. Un módulo de fusión integró luego las características obtenidas de la TC y de la patología en una única puntuación de riesgo que refleja el comportamiento del tumor más que cualquier rasgo visible aislado.

Evaluación de la puntuación en pacientes reales

Los investigadores aplicaron este sistema a 599 personas que se sometieron a cirugía por carcinoma hepatocelular en cuatro hospitales, dividiéndolas en grupos de entrenamiento y de prueba independientes. En todos los conjuntos de prueba, la firma DLRP predijo la supervivencia libre de recurrencia mejor que los modelos que usaban solo TC, solo patología, variables clínicas estándar como tamaño tumoral y marcadores sanguíneos, o la ampliamente empleada clasificación Barcelona Clinic Liver Cancer. Los pacientes con puntuaciones DLRP altas tenían una probabilidad mucho mayor de que el tumor reapareciera y también una supervivencia global más corta. Importante, esto se mantuvo en muchos subgrupos, incluidos pacientes con tumores pequeños frente a grandes, tumores únicos frente a múltiples y con o sin cirrosis, lo que sugiere que la puntuación capta aspectos fundamentales de la agresividad tumoral.

Orientar tratamientos adicionales y revelar la biología

Más allá de la predicción, la puntuación ayudó a identificar qué pacientes podrían beneficiarse de un procedimiento adicional llamado quimioembolización transarterial adyuvante postoperatoria (PA-TACE), en el que se inyecta quimioterapia mezclada con un agente de contraste oleoso en el suministro sanguíneo del hígado. En la cohorte global, quienes recibieron PA-TACE tendieron a mantenerse libres de recurrencia por más tiempo. Pero al dividir el grupo según la firma DLRP, el beneficio se concentró casi por completo en los pacientes de alto riesgo; los de bajo riesgo no mostraron una ventaja clara, lo que sugiere que podrían evitar con seguridad las cargas de una terapia adicional. El equipo también exploró por qué los tumores de alto riesgo se comportan peor vinculando las puntuaciones DLRP con datos genéticos del The Cancer Genome Atlas. Las puntuaciones altas se asociaron con la activación de la vía Wnt/β-catenina, conocida por impulsar el crecimiento tumoral y la resistencia a la inmunoterapia, y con una menor infiltración de células inmunitarias antitumorales, especialmente de linfocitos T CD8, en el tumor.

Qué significa esto para el futuro del tratamiento del cáncer de hígado

Para una persona no experta, la conclusión es que los ordenadores pueden ahora combinar imágenes tipo radiografía y vistas microscópicas para producir un solo número que indica la probabilidad de que un cáncer de hígado reaparezca tras la cirugía. Este estudio muestra que dicho número puede superar a los sistemas de estadificación tradicionales y puede ayudar a decidir quién realmente necesita tratamiento adicional y seguimiento más intensivo. Aunque la herramienta aún requiere pruebas prospectivas en poblaciones de pacientes más amplias, incluidas aquellas cuya enfermedad hepática no fue causada por la hepatitis B, apunta hacia un futuro en el que los planes de tratamiento se basen en retratos ricos y multicapa de cada tumor en lugar de limitarse al tamaño y la etapa.

Cita: Wang, G., Chen, W., Liang, Z. et al. A deep learning radiopathomic signature predicts recurrence risk of hepatocellular carcinoma after hepatectomy. Commun Biol 9, 295 (2026). https://doi.org/10.1038/s42003-026-09571-5

Palabras clave: carcinoma hepatocelular, recurrencia del cáncer de hígado, aprendizaje profundo, imágenes médicas, microambiente tumoral