¿Puede la tecnología de imágenes mejorar el tratamiento del cáncer de estómago?
El cáncer de estómago sigue siendo un problema de salud grave en todo el mundo. Aunque ha disminuido en los últimos años, sigue siendo la tercera causa de muerte relacionada con el cáncer. En 2018, se reportaron más de 1,000,000 de nuevos casos y aproximadamente 783,000 muertes. Solo en China, en 2015, hubo 6,791,000 nuevos casos y 498,000 muertes. Las imágenes médicas juegan un papel clave en el diagnóstico, la clasificación y la predicción del riesgo de este cáncer. Una nueva tecnología llamada radiómica (análisis avanzado de imágenes médicas) está mostrando resultados prometedores para extraer información detallada de las imágenes que no se puede ver a simple vista. Este artículo explora cómo la radiómica podría ayudar en el tratamiento del cáncer de estómago, sus desafíos y su futuro.
¿Qué es la radiómica?
La radiómica fue introducida por primera vez en 2012 por Lambin y luego refinada por Kumar. Se trata de un método que extrae y analiza una gran cantidad de detalles cuantitativos de imágenes médicas obtenidas mediante tomografía computarizada (CT), tomografía por emisión de positrones (PET) o resonancia magnética (MRI). La ventaja principal de la radiómica es que puede obtener información detallada sobre el tumor y su entorno, algo que no es posible con las técnicas tradicionales de radiología. Además, utiliza inteligencia artificial y aprendizaje automático para convertir estos datos en modelos que ayudan a tomar decisiones clínicas personalizadas.
Un estudio de radiómica típico tiene cuatro fases:
- Obtención de imágenes: Se toman imágenes médicas con protocolos estandarizados para evitar variaciones innecesarias.
- Segmentación de imágenes: Se identifican manual o semi-automáticamente las áreas de interés (tumor, lesiones metastásicas y tejidos normales) para su análisis.
- Extracción y selección de características: Se extraen detalles cuantitativos de las áreas de interés. Estos incluyen características de forma, tamaño, textura y fractales. Luego, se eliminan las características innecesarias usando métodos como LASSO o análisis de componentes principales.
- Construcción y validación del modelo: Se crean modelos de aprendizaje automático basados en la información clínica y las características seleccionadas. Técnicas como máquinas de vectores de soporte (SVM), bosques aleatorios y redes neuronales son comunes. Los modelos deben validarse antes de usarse en la práctica clínica.
Aplicaciones de la radiómica en el cáncer de estómago
Una búsqueda en la base de datos PubMed con términos como «radiómica», «análisis de textura» y «cáncer de estómago» arrojó 17 estudios. Estos estudios mostraron que la radiómica tiene un rendimiento moderado a excelente en varias áreas del manejo del cáncer de estómago, como el diagnóstico diferencial, la evaluación del grado histológico, la clasificación del tumor, la predicción de la respuesta al tratamiento y el pronóstico.
Diagnóstico diferencial
Distinguir entre linfoma gástrico, tumor del estroma gastrointestinal (GIST) y adenocarcinoma es difícil porque tienen apariencias similares en las imágenes de CT. Dos estudios exploraron el uso de la radiómica para este fin. Ba-Ssalamah y su equipo encontraron que las características de textura en imágenes de CT podían diferenciar GIST de linfoma con un 100% de precisión. Ma y su equipo reportaron que las características de textura podían diferenciar adenocarcinoma de linfoma con un 87% de precisión.
Predicción del grado histológico
Las características histopatológicas influyen en el tratamiento y el pronóstico. Liu y su equipo identificaron características radiómicas relacionadas con el grado histológico y el tipo de Lauren. Zhang y su equipo encontraron que los parámetros de histograma diferían significativamente entre lesiones con diferentes grados histológicos, aunque su utilidad clínica fue limitada.
Predicción de la etapa del tumor
La clasificación precisa del tumor es esencial para elegir el tratamiento adecuado. Cinco estudios evaluaron la radiómica para predecir el estado de los ganglios linfáticos, la invasión vascular y la metástasis peritoneal oculta. Liu y su equipo encontraron que las características radiómicas podían identificar metástasis en ganglios linfáticos con un 74-81% de precisión. Feng y su equipo desarrollaron un modelo con un AUC de 0.824 para predecir metástasis en ganglios linfáticos. Dong y su equipo crearon un nomograma con un AUC de 0.958 para predecir metástasis peritoneal oculta.
Predicción de la respuesta al tratamiento y pronóstico
Identificar marcadores predictivos antes del tratamiento es invaluable para un enfoque individualizado.
Pronóstico de la cirugía
Giganti y su equipo encontraron que características como la energía, la entropía y la asimetría estaban asociadas con un peor pronóstico. Li y su equipo desarrollaron un nomograma que combinaba firmas radiómicas y parámetros clínicos, mejorando la precisión predictiva.
Pronóstico de la quimioterapia neoadyuvante (NAC)
Cuatro estudios exploraron la radiómica para predecir la respuesta y el pronóstico de la NAC. Giganti y su equipo encontraron que la entropía, el rango y la raíz cuadrada media eran predictores independientes de la respuesta. Jiang y su equipo desarrollaron un clasificador pronóstico con ratios de riesgo (HR) de 2.98, 3.17 y 2.671 para predecir la supervivencia libre de enfermedad (DFS) y 3.72, 3.415 y 2.830 para predecir la supervivencia global (OS).
Pronóstico de la quimioterapia dirigida con trastuzumab
Yoon y su equipo estudiaron a 26 pacientes con sobreexpresión de HER2, encontrando que características como el contraste, la varianza y la correlación podían diferenciar a los respondedores de los no respondedores con AUCs entre 0.75 y 0.77.
Pronóstico de la radioterapia
Hou y su equipo encontraron que las firmas radiómicas podían predecir la respuesta a la radioterapia con AUCs de 0.714 y 0.749 en el conjunto de entrenamiento y 0.816 en el conjunto de validación.
Desafíos y futuro de la radiómica
A pesar de su potencial, la radiómica en el cáncer de estómago aún está en sus primeras etapas y enfrenta varios desafíos.
Obtención de imágenes
La mayoría de los estudios son retrospectivos, con imágenes de múltiples escáneres y grosores de corte variables, lo que introduce variabilidad. Se recomiendan protocolos de imágenes estandarizados para mejorar la reproducibilidad.
Segmentación de imágenes
La variabilidad en los métodos de segmentación puede introducir sesgos. La detección asistida por computadora seguida de curación manual es el mejor método actual, aunque el aprendizaje profundo podría ofrecer mejoras.
Extracción y selección de características
No todas las características son útiles. El proceso de reducción de características debe documentarse claramente para garantizar la robustez.
Construcción y validación del modelo
Los modelos deben validarse externamente para asegurar su generalización.
Futuro de la radiómica en el cáncer de estómago
Las investigaciones futuras deberían centrarse en la predicción de la supervivencia a largo plazo después de la NAC, la identificación de subgrupos específicos para terapias dirigidas y el uso de imágenes multimodales para obtener una visión más completa del tumor.
Conclusión
La radiómica representa una frontera en la toma de decisiones clínicas para el cáncer de estómago, ofreciendo algoritmos avanzados para extraer información valiosa de las imágenes médicas. Aunque aún está en sus primeras etapas, tiene el potencial de revolucionar la medicina de precisión en el cáncer de estómago con la acumulación continua de datos, la estandarización de los flujos de trabajo y los avances en las técnicas de inteligencia artificial.
doi.org/10.1097/CM9.0000000000000360
For educational purposes only.