La patología ya no es solo el patólogo

El cáncer de vejiga infiltrante (MIBC, por sus siglas en inglés) tiene una reputación bien merecida: dos pacientes con el mismo estadio y el mismo tratamiento pueden tener trayectorias completamente distintas. Tras la resección transuretral (TURBT) y antes de decidir entre cistectomía radical con o sin quimioterapia neoadyuvante, el oncólogo se enfrenta a una pregunta incómoda: ¿de verdad estamos estratificando bien a estos pacientes con la información que tenemos hoy? Un trabajo multicéntrico estadounidense, publicado en Urologic Oncology, propone que la respuesta puede estar escondida en la propia imagen del H&E que ya tenemos en el laboratorio — y que una plataforma de inteligencia artificial puede leerla sin necesidad de genómica adicional.

Qué han hecho

El grupo de Yair Lotan (UT Southwestern) y colaboradores usó una plataforma de histopatología computacional por IA (CHAI) que extrae características histológicas directamente de las imágenes completas (whole-slide images) de las preparaciones H&E de TURBT previas al tratamiento.

• Desarrollo: con The Cancer Genome Atlas (TCGA) construyeron una firma de features asociadas al endpoint primario, la supervivencia libre de recaída (RFS). El score continuo de riesgo se dicotomizó en dos grupos: favorable y desfavorable.
• Validación: el modelo quedó “bloqueado” (locked) y se evaluó en una cohorte independiente, retrospectiva, multicéntrica de mundo real: 134 pacientes con carcinoma urotelial cT2N0M0 de centros oncológicos NCI que recibieron cistectomía radical con o sin quimioterapia neoadyuvante (NAC). La mitad (50%) recibió NAC.

Resultados: el H&E habla de pronóstico

En validación, el biomarker digital separó a los pacientes de forma contundente (67 pacientes en cada grupo):

• RFS: HR 3,1 (IC 95% 1,7–5,7; p < 0,001) para el grupo desfavorable
• Supervivencia cáncer-específica (CSS): HR 3,5 (IC 95% 1,5–7,8; p = 0,003)
• Supervivencia global (OS): HR 3,0 (IC 95% 1,5–5,7; p = 0,001)

El dato más visual: la RFS a 3 años fue del 40% en el grupo desfavorable frente al 74% en el favorable (p < 0,001). Y no es solo que la firma funcione en crudo: tras ajustar por variables clínicas, incluida la recepción de NAC, el biomarker siguió asociado a RFS, CSS y OS (p < 0,01). Además, un análisis exploratorio encontró una interacción significativa entre el biomarker y la NAC para la RFS (p = 0,02) — un indicio, todavía hipótesis, de que este tipo de firma podría algún día ayudar a decidir quién se beneficia realmente de la quimioterapia neoadyuvante.

¿Qué ve la IA que no ve el ojo humano?

Aquí está la clave conceptual: la plataforma no está leyendo mutaciones ni expresión génica. Está detectando patrones morfológicos — arquitectura, densidad celular, características del estroma, atipia sutil — que correlacionan con un comportamiento biológico más agresivo. Es la misma lámina H&E que el patólogo ya ha informado, pero analizada de forma cuantitativa, reproducible y a escala de imagen completa.

💡 Por qué importa (y qué significa para MARTE)

Por tres razones. Primera: no añade coste ni tiempo — el insumo es el H&E que ya existe, sin panel genómico adicional. Segunda: aporta estratificación pronóstica más allá de la patología convencional en un tumor donde las decisiones (¿NAC sí o no?) siguen siendo difíciles. Tercera, y más personal: es exactamente el tipo de evidencia que respalda la filosofía de MARTE — extraer valor clínico de imágenes que ya se generan en la práctica diaria, con modelos entrenados y validados de forma rigurosa. La metodología (feature extraction de whole-slide → score pronóstico) es directamente trasladable a otros tumores y a nuestros proyectos de IA sobre imagen oncológica.

🧐 Lectura crítica

• A favor: validación externa de mundo real, multicéntrica, con el modelo bloqueado (sin sobreajuste); ajuste por variables clínicas relevantes.
• En contra: cohorte modesta (134 pacientes en validación); diseño retrospectivo e hipótesis-generador, como reconocen los propios autores; el desarrollo se apoya en TCGA (posible sesgo de origen); no sabemos aún si el score cambia la decisión terapéutica en la práctica real; falta validación prospectiva y en población europea/española.

Reflexión final

Cada vez más, el pronóstico no vendrá de una sola fuente (el estadio, el grado, la genómica) sino de la integración de todas ellas — y la imagen histológica tiene mucho más que decir de lo que le hemos pedido hasta ahora. Este trabajo no cambia la práctica mañana, pero apunta hacia dónde va: biomarkers digitales, baratos y accesibles, construidos sobre lo que ya tenemos.

Referencia: Lotan Y, et al. Development and validation of a computational histology artificial intelligence-powered prognostic biomarker in muscle-invasive bladder cancer. Urol Oncol. 2026. doi:10.1016/j.urolonc.2026.07.017. PMID: 42575840. (Artículo en acceso abierto, CC BY.)

— Este análisis ha sido generado por ANGIE (Always Next to Guide, Inspire and Empower), un sistema de inteligencia artificial con perfiles SOUL, diseñado por el Dr. Javier Pumares Pérez.

Conecta en LinkedIn · ppj.es

⚖️ Aviso de transparencia: este artículo ha sido redactado con asistencia de IA y revisado por el autor, oncólogo médico.