Con trastuzumab deruxtecan activo en HER2-low y HER2-ultralow, la lectura del patólogo importa más que nunca. Analizamos qué puede aportar la IA.
La clasificación del HER2 ha pasado de ser binaria (positivo/negativo) a un continuo con implicaciones terapéuticas directas. Desde que los ensayos DESTINY-Breast04 y DESTINY-Breast06 demostraron la actividad de trastuzumab deruxtecan (T-DXd) en HER2-low (IHC 1+ o IHC 2+/FISH−) y HER2-ultralow (IHC >0 y <1+), la precisión de la lectura del patólogo se ha convertido en un cuello de botella clínico.
El problema de la subjetividad
La clasificación IHC de HER2 tiene una concordancia interobservador reportada del 80-85% en manos expertas, pero esta cae al 60-70% en los casos limítrofes — exactamente donde más importa ahora que existen categorías como HER2-low y ultralow. El estudio de Fernandez et al. (2025, PMID 39004603) mostró que hasta un 18% de los casos clasificados como HER2 0 por un patólogo pueden ser reclasificados como HER2-low al revisarlos con un segundo observador o con ayuda de IA. Eso significa que hasta 1 de cada 5 pacientes que hoy consideramos HER2 negativo podrían ser candidatas a T-DXd.
Lo que aporta la IA
Los modelos de deep learning entrenados en la clasificación HER2 han alcanzado niveles de concordancia con el gold standard (consenso de patólogos) del 90-95%. Más importante aún, ofrecen una cuantificación continua del porcentaje de células teñidas y la intensidad, en lugar de la escala ordinal 0/1+/2+/3+. Esto permite identificar casos de HER2-ultralow (IHC >0 pero <1+) que el ojo humano clasifica como 0 en ausencia de un criterio cuantitativo.
El estudio de Bai et al. (2024) con 853 biopsias de cáncer de mama — el que da título a este artículo — demostró que un sistema de IA entrenado en secciones completas (whole-slide images) no solo igualaba la precisión de un panel de patólogos, sino que detectaba un 12% adicional de casos HER2-low que habían sido clasificados como 0 en la lectura inicial. La implicación clínica es que hasta un 7% de las pacientes con cáncer de mama podrían cambiar su elegibilidad para T-DXd con solo añadir una segunda lectura asistida por IA.
La contraparte: no es tan sencillo
La IA no va a sustituir al patólogo, y sería peligroso pensar que sí. Los modelos actuales tienen problemas con artefactos de tinción, heterogeneidad intratumoral y biopsias core frente a piezas quirúrgicas. Además, la mayoría de los estudios se han realizado con equipos y tinciones estandarizadas que no siempre reflejan la variabilidad de la práctica real. La vía más prometedora no es IA versus patólogo, sino patólogo + IA: un sistema que señale los casos discordantes para revisión, dejando al clínico la decisión final.
Lo que necesitamos
Para que esto sea útil en la práctica, necesitamos tres cosas: (1) estudios prospectivos multicéntricos que validen estos sistemas en condiciones reales, (2) integración con los sistemas de información del hospital (no una estación separada más), y (3) formación de los patólogos en la interpretación de estos sistemas. La tecnología está madura. Lo que falta es el ecosistema.
Un comentario final: el HER2-ultralow plantea también la cuestión de si estamos medicalizando una categoría biológica cuyo significado pronóstico y predictivo aún no está del todo claro. La IA puede ayudar a identificar estos casos, pero la decisión de tratar sigue siendo clínica.
Referencias: Bai et al. (2024), 853 biopsias — estudio multicéntrico de IA en clasificación HER2. Fernandez et al., 2025. Histopathology. PMID 39004603.