Una IA detecta el cáncer de páncreas hasta 475 días antes que los radiólogos en tomografías normales

Las tomografías eran normales para el ojo humano. Ningún radiólogo podía señalar una masa, un contorno, una sombra. Sin embargo, un algoritmo logró identificar en esas mismas imágenes el cáncer de páncreas hasta 475 días antes de que los médicos pudieran verlo. Ese es el resultado central de un estudio publicado en la revista Gut, del Grupo BMJ (British Medical Journal).

La herramienta se llama REDMOD y la desarrollaron doce investigadores, encabezados por Sovanlal Mukherjee y Ajit Harishkumar Goenka. Pertenecen a tres instituciones de los Estados Unidos: la Clínica Mayo en Rochester (Minnesota), el Centro Oncológico MD Anderson de la Universidad de Texas en Houston y la Universidad de Washington en Seattle.

Lo que está en juego es conocido. El adenocarcinoma ductal pancreático es el tipo más frecuente de cáncer de páncreas y uno de los más letales. Más del 85% de los casos se diagnostica cuando el tumor ya no puede operarse, y el único tratamiento posible es paliativo, orientado a aliviar el dolor sin curar. La razón es biológica: en su etapa más temprana, el órgano no muestra ninguna masa visible en imágenes estándar. La enfermedad existe, pero como una perturbación microscópica del tejido, sin forma que un radiólogo pueda marcar.

Los autores distinguen dos casos. Hay tumores "perdidos", que un experto sí puede encontrar al revisar la imagen en retrospectiva, y tumores "visualmente ocultos", donde no hay masa discernible ni siquiera con todos los recursos. REDMOD fue diseñado para este segundo grupo, el más difícil y el más frecuente.

El equipo reunió tomografías de 1.462 pacientes: 219 con cáncer de páncreas confirmado, cuyas imágenes se tomaron entre 3 y 36 meses antes del diagnóstico, y 1.243 personas sanas como control. De cada imagen, el sistema extrajo 968 características cuantitativas del tejido mediante radiómica, que convierte las imágenes en datos numéricos sobre la textura y la arquitectura interna del órgano a distintas escalas. Un algoritmo de selección redujo ese conjunto a las 40 características más informativas, y el 90% de ellas provenía de imágenes tratadas con filtros matemáticos que revelan variaciones de textura invisibles en la imagen sin procesar. REDMOD combina tres algoritmos de aprendizaje automático: regresión logística, bosque aleatorio y XGBoost.

Los resultados: una sensibilidad del 73% para hallar tumores invisibles, frente al 38,9% de radiólogos expertos ante las mismas imágenes. La brecha se amplió cuando el cáncer estaba a más de dos años de manifestarse: 68% contra 23%. El tiempo de ventaja medio fue de 475 días. Al repetir el análisis con otras tomografías de los mismos pacientes, las predicciones coincidieron entre el 90% y el 92% de las veces. En un conjunto externo de 539 tomografías de varias instituciones, la especificidad, es decir, la capacidad de descartar correctamente a personas sanas, fue del 81,3%.

Hay límites que los propios científicos señalan. El modelo no se evaluó en distintos grupos raciales o étnicos. Su sensibilidad tampoco pudo contrastarse con bases públicas de tomografías prediagnósticas, porque todavía no existen. Además, REDMOD evalúa el páncreas como un todo y no localiza el tumor dentro del órgano, lo que responde a la hipótesis de que en esta etapa la enfermedad es una alteración difusa del tejido y no una lesión puntual.

Los investigadores proponen usarlo como herramienta de clasificación de riesgo en personas con alta probabilidad de desarrollar la enfermedad, como quienes tienen diabetes de inicio reciente. Lo que sigue son las validaciones en poblaciones diversas.