Una herramienta de inteligencia artificial (IA) consiguió detectar el cáncer de páncreas hasta 475 días antes de que cualquier médico pudiera verlo en una tomografía. Las imágenes eran normales para el ojo humano, pero no para el algoritmo.
Detrás del resultado, hay un equipo de investigadores de tres instituciones de los Estados Unidos. Desarrollaron un sistema que llaman REDMOD y consiguieron una sensibilidad del 73% para encontrar tumores invisibles, frente al 38,9% que alcanzaron radiólogos expertos ante las mismas imágenes.
La diferencia creció a casi el triple cuando el cáncer estaba a más de dos años de manifestarse: 68% contra 23%.
El estudio fue publicado en la revista Gut, del Grupo BMJ (British Medical Journal), y lo firmaron doce investigadores encabezados por Sovanlal Mukherjee y Ajit Harishkumar Goenka.
Pertenecen a la Clínica Mayo en Rochester (Minnesota), al Centro Oncológico MD Anderson de la Universidad de Texas en Houston y a la Universidad de Washington en Seattle.
Cuando páncreas no da señales
El adenocarcinoma ductal pancreático es el tipo más frecuente de cáncer de páncreas y uno de los más letales del cuerpo humano. Más del 85% de los casos se diagnostica cuando el tumor ya no puede operarse y el único tratamiento posible es paliativo, es decir, orientado a aliviar el dolor sin curar la enfermedad.
La razón de ese retraso es biológica: en su etapa más temprana, el páncreas no muestra ninguna masa visible en imágenes estándar.
La enfermedad ya existe, pero solo como una perturbación microscópica del tejido, sin forma ni contorno que un radiólogo pueda señalar.
Los investigadores distinguieron entre tumores “perdidos”, donde un experto puede encontrar la lesión en retrospectiva, y tumores “visualmente ocultos”, donde no hay ninguna masa discernible ni siquiera al revisar la imagen con todos los recursos disponibles.
Entonces, diseñaron el sistema REDMOD para ese segundo grupo, el más difícil y el más frecuente.
Lo que el filtro revela
Los investigadores reunieron tomografías de 1.462 pacientes: 219 con cáncer de páncreas confirmado, cuyas imágenes se tomaron entre 3 y 36 meses antes del diagnóstico, y 1.243 personas sanas como grupo de control.
De cada imagen, el sistema extrajo 968 características cuantitativas del tejido pancreático, un proceso llamado radiómica.
La radiómica convierte las imágenes médicas en datos numéricos que describen la textura y la arquitectura interna del órgano a distintas escalas de resolución.
De esas 968 características, un algoritmo de selección redujo el conjunto a las 40 más informativas. El 90% de las elegidas provenía de imágenes procesadas con filtros matemáticos que detectan variaciones en la textura que son invisibles en las imágenes sin procesar.
REDMOD combina tres algoritmos de aprendizaje automático (regresión logística, bosque aleatorio y XGBoost) que trabajan en conjunto para producir una predicción final.
El ensayo comprobó que “REDMOD identificó el adenocarcinoma ductal pancreático oculto con un tiempo de ventaja medio de 475 días”.
Cuando se repitió el análisis con tomografías distintas de los mismos pacientes, las predicciones coincidieron en el 90% al 92% de los casos. En un conjunto externo de 539 tomografías de múltiples instituciones, la especificidad —la capacidad de descartar correctamente a personas sanas— fue del 81,3%.
Lo que falta por probar
Los científicos aclaran que el modelo no fue evaluado en distintos grupos raciales o étnicos, una variable pendiente para futuras validaciones.
La sensibilidad del sistema tampoco pudo contrastarse con bases de datos públicas de tomografías prediagnósticas porque esas bases aún no existen.
El modelo evalúa el páncreas como un todo y no localiza el tumor dentro del órgano. Esto responde a la hipótesis de que en esta etapa la enfermedad se manifiesta como una alteración difusa del tejido, no como una lesión puntual.
Los investigadores proponen usar REDMOD como herramienta de clasificación de riesgo en personas con alta probabilidad de desarrollar la enfermedad, como quienes tienen diabetes de inicio reciente.
El equipo ya prepara un ensayo clínico prospectivo llamado AI-PACED para evaluar el sistema en condiciones reales y definir cuándo una alerta del algoritmo debe derivar en intervención médica.
