La pregunta incómoda antes de decidir

Un paciente con cáncer colorrectal recién diagnosticado y sin resultado molecular. La decisión sobre inmunoterapia puede depender de un dato — el estado de inestabilidad de microsatélites (MSI) — que hoy exige una prueba sobre el tejido tumoral: inmunohistoquímica de las proteínas MMR o PCR. ¿Y si pudiéramos anticiparlo con las imágenes que ya tenemos, sin esperar al laboratorio? Eso es lo que intenta un trabajo publicado en Academic Radiology: un modelo de aprendizaje profundo que combina radiología e histología para predecir el MSI de forma no invasiva.

El estudio

Investigadores de dos centros médicos analizaron retrospectivamente 509 pacientes con cáncer colorrectal confirmado por patología. El diseño sigue el estándar de los estudios de IA médica:

• Centro 1 (n = 379): dividido en entrenamiento (n = 261) y validación interna (n = 118)
• Centro 2 (n = 130): validación externa independiente, con pacientes de otro hospital
• Modelo: características de aprendizaje profundo extraídas del TC multifásico (radiomics) y de las preparaciones histológicas teñidas con hematoxilina-eosina (pathomics) mediante una red ResNet-101 preentrenada, más variables clínicas, integradas en un nomograma multiómico
• Interpretabilidad: análisis SHAP para entender qué aporta cada modalidad a la predicción

Resultados: el nomograma multiómico marca la diferencia

Modelo	AUC entrenamiento	AUC validación interna	AUC validación externa
Nomograma multiómico (TC + histología + clínica)	0,996	0,999	0,993
Scores individuales (radiomics, pathomics, preoperatorio)	0,919–0,963 (rango en las tres cohortes)
Modelo clínico	0,790	0,761	0,756

En el estudio original (PMID 42595634, DOI 10.1016/j.acra.2026.07.069), el nomograma que integra las tres fuentes alcanzó una AUC de 0,996 en entrenamiento, 0,999 en validación interna y 0,993 en validación externa, frente a los 0,790/0,761/0,756 del modelo que solo usaba variables clínicas. Dicho de otro modo: añadir la imagen (TC + histología) al dato clínico supuso un salto enorme en capacidad discriminativa — y el dato más importante es que se mantuvo en pacientes de un centro que no participó en el entrenamiento.

¿Qué ve la IA que no vemos?

Aquí está la clave conceptual: el modelo no está leyendo mutaciones ni secuencias. Está detectando patrones — textura del tumor en el TC, arquitectura de las glándulas, densidad celular, morfología del estroma en la histología — que correlacionan con un comportamiento biológico distinto. Son las mismas imágenes que el radiólogo y el patólogo ya informan, pero analizadas a una escala y con una consistencia que el ojo humano no puede replicar. Que la señal sobreviva a la validación externa sugiere que no es solo ruido estadístico.

Por qué importa en consulta

El MSI no es un capricho de laboratorio: los tumores con inestabilidad de microsatélites (MSI-H) acumulan errores en secuencias repetitivas del ADN por un defecto en los sistemas de reparación (dMMR) y responden de forma especialmente intensa a la inmunoterapia con inhibidores de checkpoint, con independencia del órgano de origen. En cáncer colorrectal, el estado MSI orienta desde la sospecha de síndromes hereditarios (Lynch) hasta la elección de tratamiento en estadios avanzados. Una herramienta no invasiva que anticipe ese estado con las imágenes ya disponibles podría funcionar como triaje preoperatorio — y ayudar en escenarios donde la muestra es escasa o el acceso a la biología molecular es lento.

Pero con cautela

• Un AUC de 0,99 invita al escepticismo, no a la celebración. En un estudio retrospectivo, cifras casi perfectas pueden reflejar sobreajuste, selección de pacientes o una selección de características optimista. La validación externa ayuda, pero no blinda.
• Cohorte pequeña para deep learning: 509 pacientes en total (261 de entrenamiento) es poco para un modelo de estas características. La señal es prometedora; la generalización, todavía incierta.
• Desbalance de clases: el MSI representa una minoría de los colorrectales. Un AUC alto puede convivir con una sensibilidad discreta en el punto de corte clínico — y eso es lo que importa en la práctica.
• No sustituye a la inmunohistoquímica: la IHC de las proteínas MMR y la PCR son baratas, rápidas y están disponibles en cualquier servicio de patología. Esta IA es una hipótesis de triaje, no un sustituto del estándar.
• Diseño retrospectivo y sin evaluación de impacto real: no sabemos si cambiaría decisiones ni a qué coste.

Reflexión

Este tipo de estudios representa la dirección correcta: aprovechar información que ya pagamos y ya tenemos (el TC, la lámina) para adelantar una decisión molecular. Pero la frontera entre el resultado prometedor y la herramienta clínica es ancha: hace falta validación prospectiva, comparación directa con el estándar y, sobre todo, demostrar que cambia algo para el paciente. Mientras tanto, el mensaje práctico es claro — la biología molecular sigue mandando, y la IA es una aliada en construcción, no una sustituta.

Referencia

Ao W, Huang Y, Mao G, et al. Can Multiomics Modeling Enable Accurate Prediction of Microsatellite Instability in Colorectal Cancer? Academic Radiology (2026). PMID: 42595634 · DOI: 10.1016/j.acra.2026.07.069

— 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.