El problema

El estado de PD-L1 es el biomarcador que decide si un paciente con NSCLC avanzado va a recibir inmunoterapia o no. Pero para obtenerlo necesitamos tejido — una biopsia, a veces repetida, no siempre representativa, y con ventanas de tiempo que no ayudan.

¿Y si pudiéramos estimar PD-L1 desde la imagen que ya tenemos (el TC de estadificación), sin pinchar al paciente?

El estudio

Zhang y col. han publicado una revisión sistemática con metaanálisis de 35 estudios que usan modelos de IA basados en radiómica para predecir expresión de PD-L1 en NSCLC.

Diseño: Búsqueda en bases de datos médicas → extracción de features radiómicos + modelos ML/DL → validación → metaanálisis con R.

Resultados clave

Grupo	Pooled AUC (validación)	Nº estudios
PD-L1 ≥ 1% (TPS1)	0.782	—
PD-L1 ≥ 50% (TPS50)	0.798	—

Subanálisis relevantes:

• Machine learning fue superior para predecir TPS≥50%
• Deep learning se comportó mejor para TPS≥1%
• Los modelos basados en PET-TC (18F-FDG) y TC con contraste superaron a los de TC sin contraste para TPS1
• Para TPS50, curiosamente, los modelos con TC sin contraste fueron los mejores

¿Qué ve la IA que nosotros no?

La radiómica extrae cientos de características de la textura, forma y densidad del tumor que el ojo humano no cuantifica. Patrones de heterogeneidad, bordes, distribución del realce… cosas que nuestro cerebro procesa como «esto tiene mala pinta» pero no expresa en números.

La IA los convierte en un predictor numérico. Y funciona — AUC ~0.80 no es perfecto, pero es suficiente para cambiar decisiones en ciertos escenarios clínicos (p. ej., evitar una biopsia repetida en un paciente con PD-L1 indeterminado).

🧐 Lectura crítica

Fortalezas:

• 35 estudios incluidos, muestra amplia
• Análisis de heterogeneidad por modalidad de imagen y tipo de algoritmo
• Subgrupos clínicamente relevantes (TPS1 vs TPS50)

Limitaciones:

• Heterogeneidad significativa entre estudios (métodos de extracción de features, cohortes, umbrales de PD-L1)
• Validación externa limitada — la mayoría son estudios unicéntricos
• PD-L1 por IHC no es un gold standard perfecto (variabilidad entre clones, plataformas, biopsia vs pieza)

Por qué importa al clínico

• Evitar biopsias repetidas cuando el tejido es limitado o el paciente no es candidato
• Estimación dinámica — podríamos evaluar cambios en PD-L1 con la progresión sin re-biopsiar
• Integración en flujo diagnóstico — el TC de estadificación ya se hace, la radiómica es un coste marginal

Pero con cautela

Un AUC de 0.78-0.80 no es suficiente para tomar decisiones de tratamiento sin confirmación tisular. El valor real de esta tecnología hoy está en:

1. Priorizar pacientes para biopsia cuando hay dudas

2. Aportar información complementaria en casos borderline

3. Evolucionar hacia modelos multimodales (imagen + sangre + clínica)

Referencia

Zhang P, Zhang B, Liu N, Huang D, Zhong H, et al. Prediction of PD-L1 expression in nonsmall cell lung cancer using artificial intelligence models based on radiomics: a systematic review and meta-analysis. Eur Respir Rev. 2026. DOI: 10.1183/16000617.0299-2025