Enfoques de Radiómica en el Cáncer Gástrico: Una Frontera en la Toma de Decisiones Clínicas
El cáncer gástrico sigue representando una carga significativa para la salud global, a pesar de la disminución en su incidencia en las últimas décadas. Es la tercera causa de muerte relacionada con cáncer en el mundo, con más de 1.000.000 de casos nuevos y aproximadamente 783.000 muertes reportadas en 2018. Solo en China, las cifras fueron alarmantes: 6.791.000 casos nuevos y 498.000 muertes en 2015. Las modalidades de imagen desempeñan un papel crucial en el diagnóstico, estadificación y estratificación de riesgo del cáncer gástrico, facilitando la selección de estrategias terapéuticas óptimas y mejorando los resultados clínicos. La radiómica, un campo emergente, ha mostrado potencial para extraer características cuantitativas de las imágenes médicas que no son visibles a simple vista ni cuantificables mediante análisis rutinarios. Este artículo revisa la aplicación de la radiómica en el cáncer gástrico, sus desafíos y perspectivas futuras.
Resumen de la Radiómica
La radiómica fue introducida por primera vez por Lambin et al. en 2012 y posteriormente refinada por Kumar et al. como la extracción y análisis de alto rendimiento de grandes cantidades de características cuantitativas avanzadas a partir de imágenes médicas obtenidas mediante tomografía computarizada (TC), tomografía por emisión de positrones (PET) o resonancia magnética (RM). Su principal ventaja radica en la capacidad de adquirir numerosos parámetros cuantitativos que proporcionan información sobre el fenotipo tumoral y el microambiente, datos inaccesibles mediante radiología tradicional. Otro aspecto destacable es su uso de técnicas de inteligencia artificial y aprendizaje automático para transformar datos multidimensionales en modelos diagnósticos, predictivos o pronósticos que apoyan la toma de decisiones clínicas personalizadas.
Un estudio radiómico típico consta de cuatro fases:
- Adquisición de Imágenes: Es esencial obtener imágenes médicas a gran escala con protocolos estandarizados de escaneo y reconstrucción para eliminar variabilidad innecesaria.
- Segmentación de Imágenes: Las regiones (ROI) o volúmenes de interés (VOI) del tumor, lesiones metastásicas y tejidos normales se delimitan manual o semiautomáticamente para su análisis.
- Extracción y Selección de Características: La extracción de alto rendimiento de parámetros cuantitativos (forma, histogramas de primer y segundo orden, texturas, fractales) constituye la esencia de la radiómica. Métodos como LASSO, máxima relevancia/mínima redundancia y análisis de componentes principales eliminan características redundantes.
- Construcción y Validación de Modelos: Se identifican modelos óptimos de aprendizaje automático basados en información clínica y características seleccionadas. Técnicas como máquinas de vectores de soporte (SVM), bosques aleatorios, redes neuronales y bootstrapping son ampliamente utilizadas. La validación externa es crítica para garantizar consistencia estadística.
Aplicación de la Radiómica en el Cáncer Gástrico
Una búsqueda exhaustiva en PubMed utilizando términos como «radiómica», «análisis textural» y «cáncer gástrico» identificó 17 artículos originales. Estos estudios demostraron un desempeño moderado a excelente de la radiómica en áreas como diagnóstico diferencial, evaluación de grado histológico, estadificación tumoral, predicción de respuesta terapéutica y pronóstico.
Diagnóstico Diferencial
Distinguir entre linfoma gástrico primario, tumor del estroma gastrointestinal (GIST) y adenocarcinoma resulta complejo debido a su apariencia similar en TC convencional. Ba-Ssalamah et al. analizaron características texturales en fases arterial y portal, logrando una precisión del 100% para diferenciar GIST de linfoma. Ma et al. reportaron una precisión del 87% usando características de fase portal para distinguir adenocarcinoma de linfoma.
Predicción del Grado Histológico
Características histopatológicas influyen significativamente en el tratamiento y pronóstico. Liu et al. identificaron parámetros radiómicos correlacionados con el grado histológico y tipo de Lauren en 107 pacientes. Zhang et al. observaron diferencias significativas en parámetros de histogramas del coeficiente de difusión aparente (ADC) según el grado histológico, aunque con limitada utilidad clínica debido a valores bajos del área bajo la curva (AUC).
Predicción de la Estadificación Tumoral
La estadificación precisa es clave para seleccionar terapias adecuadas. Cinco estudios evaluaron la radiómica para predecir estado ganglionar, invasión vascular y metástasis peritoneales ocultas. Feng et al. desarrollaron un modelo radiómico con AUC de 0.824 (cohorte de entrenamiento) y 0.764 (validación) para metástasis ganglionares. Dong et al. construyeron un nomograma multicéntrico con AUC >0.92 para metástasis peritoneales.
Predicción de Respuesta Terapéutica y Pronóstico
La identificación de marcadores predictivos pre-terapéuticos es invaluable para tratamientos individualizados.
Pronóstico Post-resección Quirúrgica
Giganti et al. asociaron parámetros texturales de TC (energía, entropía, asimetría) con supervivencia global (OS) en 56 pacientes. Li et al. integraron firmas radiómicas y parámetros clínicos en un nomograma con mayor precisión predictiva que los modelos independientes.
Pronóstico en Quimioterapia Neoadyuvante (NAC)
Cuatro estudios exploraron la radiómica en NAC. Giganti et al. identificaron entropía, rango y RMS como predictores independientes de respuesta. Jiang et al. desarrollaron un clasificador pronóstico multicéntrico (HR 2.98-3.72 para OS) en 1.591 pacientes.
Pronóstico en Terapia Dirigida con Trastuzumab
Yoon et al. demostraron que características GLCM (contraste, varianza) diferenciaron respondedores de no respondedores en pacientes con sobreexpresión de HER2 (AUC 0.75-0.77).
Pronóstico en Radioterapia
Hou et al. segmentaron VOI en TC pre-tratamiento de 43 pacientes, logrando AUC de 0.816 en la validación para predecir respuesta radioterapéutica.
Desafíos y Perspectivas Futuras
A pesar de su potencial, la radiómica en cáncer gástrico enfrenta retos críticos:
Adquisición de Imágenes
La heterogeneidad en protocolos de escáner y grosor de cortes introduce variabilidad. Se recomienda estandarización para mejorar reproducibilidad.
Segmentación de Imágenes
Los métodos actuales (detección automatizada con curación manual) generan sesgos. El impacto de características 3D vs. 2D requiere mayor investigación.
Extracción y Selección de Características
La diversidad de software y la falta de estandarización en la reducción de características comprometen la robustez de los modelos.
Validación de Modelos
La validación externa es esencial para garantizar generalización. Las limitaciones inherentes de cada técnica de modelado deben documentarse.
Direcciones Futuras
Investigaciones futuras deben centrarse en:
- Predicción de supervivencia a largo plazo post-NAC.
- Identificación de subgrupos para terapias dirigidas.
- Integración de radiómica multimodal (TC, PET, RM) para una caracterización tumoral integral.
Conclusiones
La radiómica representa una frontera innovadora en la toma de decisiones clínicas para el cáncer gástrico. Aunque en etapas incipientes, su potencial para revolucionar la medicina de precisión es significativo, dependiendo de la estandarización de flujos de trabajo, acumulación de datos masivos y avances en técnicas de inteligencia artificial.
doi.org/10.1097/CM9.0000000000000360