Con trastuzumab deruxtecan activo en HER2-low y HER2-ultralow, la lectura del patólogo importa más que nunca. Un estudio con 853 biopsias cuantifica el problema.

La clasificación de HER2 ha sido siempre un terreno de grises. Con la llegada de trastuzumab deruxtecan (T-DXd) y su aprobación en HER2-low (IHC 1+ o IHC 2+/FISH-) y la evidencia creciente de actividad en HER2-ultralow (IHC >0 pero <1+), la precisión de la lectura inmunohistoquímica ha pasado de ser una discusión académica a un problema clínico de primer orden.

El problema: 853 biopsias, 853 opiniones

El grupo de Bai et al. (2024) analizó 853 biopsias de cáncer de mama evaluadas por múltiples patólogos. Los resultados son preocupantes: la concordancia interobservador para la categoría HER2-low (IHC 1+) fue solo del 58%. Es decir, cuatro de cada diez pacientes podrían ser clasificadas de forma distinta según qué patólogo leyese la muestra. La concordancia fue algo mejor para HER2-ultralow (67%), pero sigue siendo un margen de error inaceptable cuando de ello dependen decisiones de tratamiento con fármacos de alto coste y potencial toxicidad.

La IA como árbitro

Fernández et al. (PMID 39004603) entrenaron un modelo de aprendizaje profundo sobre 3.200 muestras con ground truth por espectrometría de masas (medición proteica cuantitativa, no IHC). El modelo logró una concordancia del 91% con el gold standard frente al 72% de los patólogos en la misma cohorte. En la categoría HER2-low, la IA reclasificó como HER2-ultralow un 17% de los casos etiquetados como HER2 0 por IHC — pacientes que podrían beneficiarse de T-DXd y que de otro modo no se identificarían.

El modelo mostró además una reproducibilidad perfecta: el mismo resultado en la misma muestra, siempre. Algo que ningún patólogo humano puede garantizar.

¿Estamos listos para implementarlo?

No del todo. Los modelos actuales están entrenados en cohorts retrospectivas, con sesgo de selección y sin validación prospectiva multicéntrica. El ground truth por espectrometría de masas no está disponible en la práctica clínica habitual. Y persisten preguntas regulatorias: ¿qué significa que una IA reclasifique un resultado? ¿Quién asume la responsabilidad?

Pero la dirección es clara. La evaluación de HER2 necesita cuantificación objetiva, y la IA puede proporcionarla mucho antes de que lleguemos a la patología digital completa. La pregunta ya no es si la IA ayudará en la lectura de HER2, sino cómo la implementamos sin crear más confusión de la que resuelve.

Soy Javier Pumares, oncólogo médico en el Centro Oncológico de Galicia. Escribo aquí sobre la intersección entre oncología, inteligencia artificial y práctica clínica real. Si te ha parecido útil, puedes seguirme en LinkedIn o suscribirte al blog en ppj.es.