Una decisión que hoy se toma a ojo
En la resonancia que estadifica un cáncer de recto, el radiólogo busca algo más que el tamaño del tumor. Mira si el tumor ha roto la pared y ha invadido los vasos que salen de ella. Ese hallazgo, la invasión vascular extramural detectada por resonancia (mrEMVI), refleja la agresividad del tumor y su potencial metastásico. Un mrEMVI positivo pesa en la decisión terapéutica. El problema es cómo se obtiene: se lee mirando la imagen. Dos radiólogos con la misma formación pueden discrepar ante el mismo estudio, y esa variabilidad es justo lo que un sistema automático promete reducir.
Este trabajo entrenó y validó una red de segmentación nnUNet para localizar y visualizar el mrEMVI vóxel a vóxel, sin depender de la lectura humana.
Cómo se hizo
Estudio retrospectivo y multicéntrico con 2.501 pacientes con cáncer de recto. La cohorte de entrenamiento reunió 1.830 casos, evaluados con validación cruzada de cinco particiones. Otras dos cohortes externas independientes sumaron 671 pacientes. El desenlace principal de la técnica fue el coeficiente de Dice, que mide el solapamiento entre la segmentación automática y la de referencia: 1 es coincidencia perfecta, 0 es ninguna. La concordancia en la identificación del mrEMVI se midió con el kappa de Cohen frente a radiólogos senior. Para el pronóstico, el equipo usó curvas de Kaplan-Meier y regresión de Cox multivariable, comparando a los pacientes clasificados como AI-mrEMVI+ y AI-mrEMVI-.
Conviene retener la arquitectura del dato: primero un modelo que dibuja sobre la imagen, después una clasificación binaria (hay mrEMVI o no) y por último la comprobación de que esa etiqueta separa supervivencias.
El Dice global esconde la parte que decide
En la validación cruzada interna, el modelo segmentó el tumor con un Dice de 0,850. La señal tumoral intravascular bajó a 0,442 y el vaso dilatado a 0,335. Ahí está el detalle incómodo: la estructura que peor segmenta es la que define el hallazgo. El mrEMVI no es el tumor, es la firma del tumor dentro del vaso, y es precisamente esa firma la que el modelo delimita con menos precisión. Un número global alto no cuenta esto.
La clasificación final, en cambio, funcionó. La exactitud fue del 81,5% (IC95%: 76,7-85,8) en una cohorte externa y del 84,7% (IC95%: 80,7-88,2) en la otra. La concordancia con radiólogos senior fue sustancial, con kappa entre 0,713 y 0,736. El sistema puede acertar la etiqueta aunque dibuje mal el contorno.
Y la etiqueta tiene valor pronóstico. Los pacientes AI-mrEMVI+ presentaron una supervivencia libre de enfermedad a tres años del 62,3% frente al 84,9% de los AI-mrEMVI-, con una razón de riesgo de 2,67 (IC95%: 1,95-3,66). La supervivencia global a cinco años fue del 68,7% frente al 87,1%, con una razón de riesgo de 2,64 (IC95%: 1,75-3,97). Ambas comparaciones con p menor de 0,001.
Lectura crítica
Lo primero que no permite concluir es que el sistema sea clínicamente útil. Es un estudio retrospectivo, sin intervención: nadie asignó pacientes a leer con IA o sin ella, así que no sabemos si usar el modelo cambia una decisión, un tratamiento o un desenlace. Se demuestra que la etiqueta automática se asocia a la supervivencia igual que la etiqueta humana; no que sustituirla mejore algo.
La segunda advertencia es la trampa del Dice ya descrita. Un 0,850 de tumor invita a pensar que la segmentación es buena; un 0,335 de vaso dilatado dice lo contrario. Que la clasificación funcione pese a esa debilidad fina sugiere que el modelo no necesita contornos perfectos para acertar la categoría, pero también que no conviene leer esos mapas como una delimitación fiable de la invasión. Si algún día se usan para medir extensión o para planificar radioterapia, ese 0,335 pesa.
Tercero, el abstract no informa de cómo se construyó la referencia de la segmentación ni de cuántos lectores la definieron, ni de la distribución por estadio o tratamiento de las cohortes. Tampoco aclara si la concordancia con radiólogos senior se midió sobre los casos de la cohorte externa o solo en la interna. Con esa información ausente, la cifra de kappa describe un acuerdo, no un patrón de referencia.
Queda por validar en prospectivo, con lectores reales en su flujo de trabajo y con el modelo embebido en un informe, si la asistencia reduce la variabilidad entre observadores sin añadir errores nuevos.
Qué cambia
Hoy no cambia ninguna decisión en consulta. Recorta una pregunta que sí cambia: si un oncólogo recibe un mrEMVI positivo, ¿cuánto depende de quién lo leyó? Este trabajo mueve la conversación desde «la IA reemplaza al radiólogo» hacia algo más concreto: la IA puede emitir una etiqueta reproducible y pronósticamente válida, aunque su dibujo fino todavía no esté a la altura de esa etiqueta.
Referencia
Huang H, Feng L, Zhong ME, et al. Artificial intelligence for evaluation of magnetic resonance imaging-detected extramural vascular invasion in rectal cancer. PLOS Digit Health 2026;5(10):e0001763. DOI: 10.1371/journal.pdig.0001763. PMID: 42821531.
— ANGIE
— 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 para la divulgación
en oncología e inteligencia artificial aplicada a la medicina.
⚖️ Aviso de transparencia: este artículo ha sido redactado con asistencia de IA y revisado por el autor, oncólogo médico.