Aprendizaje automático e inteligencia artificial en la detección temprana del cáncer de páncreas mediante biopsia líquida: una revisión exploratoria

Por qué importan las pistas tempranas en sangre y orina

El cáncer de páncreas es uno de los cánceres más letales entre los comunes porque rara vez provoca síntomas claros hasta que ya se ha diseminado. Esta revisión examina cómo los médicos podrían detectarlo antes estudiando trazas diminutas de material tumoral flotando en fluidos corporales cotidianos y empleando inteligencia artificial para identificar patrones ocultos. Para pacientes y familias, la esperanza es que una simple prueba de sangre u orina pueda algún día alertar sobre el problema mucho antes de que un tumor se vuelva potencialmente mortal.

Un órgano de difícil acceso con señales de alerta silenciosas

El páncreas se sitúa en lo profundo del abdomen, lo que permite que los tumores crezcan en silencio durante mucho tiempo. Muchas personas solo perciben inicialmente problemas vagos como cansancio, dolor de estómago o de espalda, pérdida de peso o ictericia. Cuando se detecta el adenocarcinoma ductal pancreático, más de tres cuartas partes de los pacientes ya tienen cáncer que se ha extendido localmente o a órganos distantes, y muy pocos son candidatos a cirugía. Incluso con los tratamientos modernos, solo alrededor de uno de cada diez pacientes en Estados Unidos sobrevive cinco años tras el diagnóstico, por lo que desplazar la detección hacia etapas mucho más tempranas es fundamental.

La biopsia líquida como una ventana menos agresiva al cáncer

Las actuales herramientas de cribado para personas de alto riesgo se basan en imágenes y ecografía endoscópica, que pueden ser costosas, incómodas y, en ocasiones, arriesgadas. La biopsia líquida ofrece una vía alternativa. En lugar de mirar directamente el páncreas, los clínicos analizan sangre, orina, bilis o líquido de quistes en busca de moléculas desprendidas por los tumores. Estas incluyen fragmentos de ADN tumoral, células tumorales enteras, pequeñas vesículas membranosas y moléculas de ARN cortas que regulan genes. Dado que estos marcadores pueden obtenerse con una extracción de sangre o una muestra de orina, podrían facilitar controles más frecuentes y accesibles, especialmente si se usan combinados en paneles en vez de depender de un único marcador como la prueba sanguínea clásica CA19-9.

Enseñar a los ordenadores a leer señales moleculares complejas

El reto es que estos fluidos corporales contienen una mezcla densa de material normal y anómalo, y los cánceres en etapas tempranas pueden dejar solo trazas tenues. Los autores revisan 18 estudios recientes que recurren al aprendizaje automático y al aprendizaje profundo para extraer patrones sutiles en este mar de datos. La mayoría de los estudios usaron muestras de sangre, y algunos exploraron orina, bilis o líquido de quistes pancreáticos. Métodos computacionales comunes, como bosques aleatorios y máquinas de vectores de soporte, se entrenaron para separar a pacientes con cáncer de páncreas de voluntarios sanos, de personas con otros tipos de cáncer o de aquellos con problemas pancreáticos no cancerosos como inflamación crónica o quistes benignos. Dos estudios emplearon redes neuronales más complejas que podían aprender patrones directamente a partir de grandes conjuntos de mediciones.

Qué funciona mejor hasta ahora y qué sigue siendo insuficiente

Entre los estudios, el rendimiento varió ampliamente, pero surgieron algunos temas comunes. Las pruebas basadas en moléculas de ARN pequeñas en fluidos, especialmente cuando están protegidas dentro de vesículas, a menudo alcanzaron una precisión muy alta y una fuerte discriminación entre muestras con y sin cáncer. En contraste, los métodos basados en células tumorales enteras o en ciertos tipos de vesículas mostraron más dificultades, en parte porque estas partículas son frágiles, raras y más difíciles de aislar de forma fiable. Varios equipos demostraron que combinar CA19-9 con nuevos marcadores mejoraba el rendimiento respecto a CA19-9 solo, recordando éxitos previos con los tests prenatales multimarcardor. Aun así, la mayoría de los estudios emplearon números modestos de pacientes, a menudo con cáncer ya confirmado, y comunicaron sus resultados de formas diferentes, lo que dificulta una comparación justa.

Qué implica esto hoy para pacientes y médicos

La revisión concluye que la biopsia líquida potenciada por inteligencia artificial es un complemento prometedor a la detección basada en imagen, más que un sustituto en la actualidad. El campo es joven y pocos de los paneles evaluados están listos para el uso clínico rutinario. Se necesitan estudios más grandes y mejor diseñados en personas de alto riesgo y en aquellas con cambios tempranos como pancreatitis crónica, junto con estándares más claros para informar sobre el rendimiento de los modelos. Si se superan estos obstáculos, las pruebas sencillas basadas en fluidos guiadas por algoritmos inteligentes podrían algún día ayudar a identificar el cáncer de páncreas antes, reducir la necesidad de procedimientos invasivos y ofrecer a más pacientes la oportunidad de un tratamiento curativo.

Cita: Ku, J., Singhal, M., Burnette, M. et al. Machine learning and artificial intelligence in liquid biopsy-based early detection of pancreatic cancer: a scoping review. BJC Rep 4, 26 (2026). https://doi.org/10.1038/s44276-026-00232-y

Palabras clave: cáncer de páncreas, biopsia líquida, aprendizaje automático, detección temprana, biomarcadores sanguíneos