Radiomía multilesión predice a 12 meses la respuesta a quimio en metástasis hepáticas: AUC 0,79, pero con 32 pacientes

Por Bioengineer.org · 18 de octubre de 2026.

Investigadores de Guangzhou (China) han desarrollado un modelo de aprendizaje automático que estima, antes de la primera infusión, si un paciente con metástasis hepáticas irresecables de cáncer colorrectal seguirá libre de progresión 12 meses después de empezar la quimioterapia de primera línea. Según el estudio, publicado en BMC Medical Imaging, el modelo alcanza un AUC de 0,792 en el conjunto de validación interna.

El AUC (área bajo la curva ROC) mide la capacidad de separar a quienes progresan de quienes no: 0,5 es azar y 1,0 es perfección. Aquí el intervalo de confianza al 95% va de 0,625 a 0,933, un rango que abarca desde un rendimiento modesto hasta uno excelente.

La base es la radiómica: convertir los píxeles de un tumor en cientos de variables cuantitativas (textura, distribución de grises, relaciones entre píxeles) que reflejan una biología que el ojo no ve. La novedad es que el equipo analiza todas las metástasis medibles de cada paciente y no solo la mayor, como hacían la mayoría de los estudios previos. Así captura la heterogeneidad entre lesiones, que puede tener valor pronóstico.

La cohorte retrospectiva incluye 159 pacientes, con 127 para entrenamiento y 32 para validación interna. Los radiólogos segmentaron las lesiones en dos fases de la TC con contraste: la arterial y la portal venosa. El modelo final, llamado AVC (arterial, venosa y clínica), combina ambas fases con los marcadores tumorales CA19-9 y CEA y con si se había resecado el tumor primario. Integra varios clasificadores mediante una votación ponderada por su rendimiento en entrenamiento.

Para elegir variables sin memorizar ruido, algo habitual cuando hay más variables que pacientes, los autores usan un método llamado CRITIC (ponderación de criterios por su contraste y su redundancia). Lo integran en un marco de decisión multicriterio. Obtuvo el AUC numérico más alto frente a otras técnicas de selección, aunque las diferencias no fueron estadísticamente significativas. Para la interpretabilidad usan SHAP, que cuantifica cuánto contribuye cada variable a cada predicción. Pesan tanto rasgos de intensidad y textura de ambas fases como CA19-9, CEA y la resección del primario.

Las limitaciones las reconocen los propios autores. El estudio procede de un solo centro, es retrospectivo y está infradimensionado para comparar modelos entre sí. El análisis de curva de decisión sugiere beneficio neto en parte del rango de umbrales relevantes, pero exige confirmación en cohortes externas más grandes.

**Nuestra lectura.** Lo valioso aquí no es el 0,79, que con 32 pacientes es casi anecdótico, sino el diseño. Parte de una TC y analíticas que ya se hacen en cualquier hospital, así que no exige nuevos escáneres ni biopsias. Además es explicable y respeta la heterogeneidad real de la enfermedad. Esa combinación de bajo coste de despliegue e interpretabilidad es la que suele sobrevivir al paso a la clínica.

El riesgo es el habitual en la radiómica: modelos prometedores en un centro que pierden rendimiento cuando cambian el escáner, el protocolo o la población. En general, la mayoría de estos modelos fracasa en la validación externa, así que conviene tratar este resultado como una hipótesis bien planteada y no como una herramienta lista.

Si se confirma en estudios multicéntricos y prospectivos, el beneficio sería concreto: decidir con más información si intensificar un tratamiento, vigilar más de cerca o plantear ensayos clínicos, evitando meses de quimioterapia con toxicidad y sin respuesta. Esa es la dirección de fondo de la medicina asistida por IA: pasar de tratar a la media a tratar al paciente concreto. Es un paso pequeño en el camino hacia la oncología de precisión, pero va en la dirección correcta.