Mirar el pulmón entero, no solo el tumor: una IA predice la respuesta a la inmunoterapia con AUC de 0,79

Por Bioengineer.org · 18 de octubre de 2026.

Investigadores del Tianjin Medical University Cancer Institute and Hospital, junto con el Shandong Cancer Hospital and Institute, han desarrollado un sistema de IA que predice, a partir de una tomografía computarizada (TC) previa al tratamiento, qué pacientes con cáncer de pulmón no microcítico (NSCLC) lograrán una respuesta patológica completa (pCR) tras la inmunoterapia neoadyuvante. El estudio, publicado en BMC Cancer, analizó a 366 pacientes de dos centros.

La clave es el alcance del análisis. La mayoría de trabajos de radiómica (extraer cientos de rasgos cuantitativos de textura, forma e intensidad de una imagen médica) se limitan al tumor. Este equipo analizó además el parénquima de todo el pulmón, con la hipótesis de que el entorno inmunológico del órgano también aporta señal.

Los números, según los autores: con LightGBM (un algoritmo de árboles de decisión con gradient boosting) entrenaron un modelo solo del tumor y otro solo del pulmón completo. El primero obtuvo un AUC de 0,701 en el test interno y el segundo 0,676. Fusionados, el AUC sube a 0,788 en test interno y 0,787 en la cohorte de validación externa (82 pacientes de otro hospital, tratados entre 2023 y 2026). Para situar la cifra: un AUC de 0,5 es azar y 1,0 es perfección, así que 0,79 es un resultado útil pero lejos de decisivo para decidir por sí solo un tratamiento.

La pCR significa que, tras operar, no queda tumor viable al microscopio, y se asocia a mejor supervivencia. El problema es que solo se confirma después de la cirugía. En esta cohorte, 151 de 366 pacientes (41,3 %) la alcanzaron.

Los autores añadieron el marcador sérico CEA (antígeno carcinoembrionario) y diseñaron un esquema jerárquico: el modelo radiómico clasifica el riesgo y un segundo modelo, con CEA, confirma en ciertos niveles. Con CEA, el valor predictivo positivo fue de 0,769 en test interno y de 0,636 en la externa. Los pacientes clasificados como de bajo riesgo tuvieron una supervivencia libre de recidiva significativamente mayor (log-rank P < 0,05).

Nuestra lectura: lo más interesante no es el modelo, sino la idea. Que el pulmón «sano» contribuya a predecir la respuesta sugiere que la inmunoterapia depende del contexto del órgano entero, algo que un radiólogo no puede percibir a ojo y que un algoritmo sí puede cuantificar. Es un ejemplo de IA que extrae información ya presente en pruebas rutinarias, sin coste añadido para el paciente.

Hay cautelas importantes. La caída del valor predictivo positivo de 0,769 a 0,636 en la cohorte externa muestra que el rendimiento se resiente fuera del centro de origen. La cohorte externa es pequeña (82 pacientes), el 86 % son varones (317 de 366) y aún falta validación prospectiva, como reconoce la propia fuente. Además, cuando el modelo falla en un sentido, el coste es alto: negar inmunoterapia a alguien que podría haber respondido. Por eso su papel realista es apoyar la decisión, no sustituirla.

En general, la oncología de precisión avanza en esta dirección: combinar imagen, biomarcadores y modelos para decidir qué paciente recibe qué tratamiento, evitando toxicidad y gasto innecesarios. A corto plazo veremos muchos modelos como este, con resultados modestos y pocas implantaciones clínicas reales. A largo plazo, la suma de estas herramientas es el camino hacia tratamientos personalizados desde el primer día, un paso concreto hacia el horizonte de erradicar enfermedades como el cáncer. Mientras tanto, el criterio importante es el de siempre: validación externa y prospectiva antes del entusiasmo.