En los últimos años, la forma en que la Oncología clasifica la gravedad de un cáncer ha ganado un nuevo recurso gracias al desarrollo de programas informáticos con Inteligencia Artificial (IA) aplicada al área médica.
Un estudio reciente, por ejemplo, realizado por investigadores de la Universidad Estatal de Campinas (Unicamp), demostró que el análisis automatizado de la composición corporal de pacientes con cáncer gástrico (o de estómago) es capaz de predecir los riesgos de mortalidad de forma precisa cuando se miden características específicas de músculos y grasas a través de Tomografías Computarizadas (CT).
El estudio fue publicado en la revista científica Informatics in Medicine Unlocked (volumen 52, 2025) bajo el título Improving resectable gastric cancer prognosis prediction: A machine learning analysis combining clinical features and body composition radiomics, siendo realizado por investigadores del Instituto de Física Gleb Wataghin (IFGW) y de la Facultad de Ciencias Médicas (FCM) de la Unicamp – entre ellos, los del CEPID CancerThera.
Lo que el sistema de estadificación estándar no ve
Estadificar (o realizar la estadificación) es el proceso médico de evaluar la gravedad y la extensión de un cáncer en el cuerpo del paciente para intentar prever cómo evolucionará la enfermedad y ayudar a los profesionales de la salud a definir el mejor tratamiento.
Históricamente, la Oncología se apoya en un sistema de estadificación conocido como TNM para predecir los desenlaces clínicos. La sigla se refiere a Tumor (tamaño y extensión del tumor principal), Node (que indica si el cáncer ha alcanzado los ganglios linfáticos) y Metastasis (indicando si la enfermedad se ha diseminado a otros órganos).
Al no evaluar la composición corporal, solo el TNM no logra dimensionar toda la diversidad de formas de manifestación del cáncer, lo que puede resultar en pacientes clasificados en un mismo estadio de la enfermedad (como los Estadios II o III) presentando evoluciones y tiempos de supervivencia muy diferentes. Esta falta de precisión puede llevar a situaciones en las que la gravedad es subestimada por el sistema TNM o, por otro lado, puede causar un sobretratamiento en pacientes que serían de bajo riesgo.
“Lo que mostramos en nuestra línea de investigación y en este estudio de forma más detallada con la IA es que el TNM es solo parte de la historia”, explica el Dr. José Barreto Campello Carvalheira, oncólogo, profesor titular de la FCM/Unicamp e investigador principal en CancerThera. “Al incorporar la composición corporal – especialmente características cuantitativas del músculo y la grasa extraídas por radiómica – pasamos a estadificar no solo el tumor, sino al paciente como un todo”.
Para llegar a estas conclusiones, el equipo utilizó datos e imágenes tomográficas (a la altura de la tercera vértebra lumbar – L3) de 276 pacientes con cáncer gástrico tratados en el Hospital de Clínicas de la Unicamp entre 2009 y 2018. Por medio de algoritmos de aprendizaje automático, el programa informático desarrollado con IA analizó las imágenes y extrajo datos radiómicos complejos sobre la composición corporal (especialmente músculos y grasas).
Qué es la radiómica?
Es una técnica que utiliza algoritmos de caracterización de datos para extraer, cuantificar y analizar información detallada a partir de exámenes de imágenes médicas, como las CT. Actúa como un biomarcador no invasivo, permitiendo que los ordenadores cuantifiquen de forma integral las características físicas y estructurales de un tumor o del cuerpo de un paciente.
La radiómica evalúa la distribución de los valores de los píxeles y puede computar numerosas características matemáticas y estadísticas. Entre las métricas extraídas por este método se encuentran: percentiles de la escala de tonos de gris o radiodensidad (como los percentiles 10 y 90 mencionados anteriormente); entropía, energía y varianza; y mediana, asimetría y curtosis.
El algoritmo cruzó la composición corporal con datos clínicos e identificó que pacientes en el Estadio II (teóricamente menos grave), pero que presentaban un cuerpo clasificado por la IA como de “alto riesgo”, tuvieron una expectativa de vida idéntica a la de pacientes en el Estadio III. “Esto es potencialmente disruptivo porque explica una limitación clásica de la Oncología: pacientes en el mismo estadio presentan evoluciones muy diferentes”, señala el médico. “Es decir, existe una heterogeneidad biológica relevante que, por sí solo, el TNM no capta”, completa.
La masa corporal y la evolución de la enfermedad
Cuando se analizan las estructuras corporales con precisión (mediante tomografía y radiómica), se pueden identificar señales indirectas de procesos importantes. El estudio reveló que los extremos de la densidad (los percentiles 10 y 90) del músculo y de la grasa visceral fueron los predictores más fuertes de supervivencia. Pacientes con radiodensidad anormalmente alta en la grasa visceral presentaron mayor pérdida de peso, menor Índice de Masa Corporal y, en consecuencia, vieron su tiempo de vida mediano reducirse a la mitad.
Las alteraciones observadas por los profesionales de la salud funcionan como una fotografía de procesos graves, como inflamaciones crónicas (que pueden favorecer el crecimiento tumoral) y caquexia (un síndrome de pérdida extrema de peso y músculo que debilita al paciente y reduce su capacidad de tolerar quimioterapias). “Aunque el cáncer esté en el estómago, no es una enfermedad aislada – interactúa con todo el organismo. Músculos y grasas son tejidos metabólicamente activos y reflejan el ‘estado interno’ del cuerpo”, detalla José Barreto.
El investigador resume la dinámica biológica de la enfermedad: “El tumor es el problema, pero el estado del cuerpo define cuánto el paciente logra reaccionar a él. La IA solo nos ayuda a medir esto con mucha más precisión de lo que era posible antes”.
Un salto en escala y el papel de la IA
Hasta hace poco, realizar este análisis de segmentación de tejidos imagen por imagen era un trabajo exhaustivo, lento y estrictamente manual. Con el nuevo programa de IA, el cuello de botella operativo deja de existir. “De hecho, el algoritmo permite que el análisis de la composición corporal se realice a gran escala”, destaca el físico Gianni Shigeru Setoue Liveraro, doctorando en el IFGW/Unicamp y autor principal del estudio publicado en la revista Informatics in Medicine Unlocked.
“En el contexto médico, la IA ha sido utilizada principalmente como una herramienta: realiza tareas puntuales y bien definidas, pero no toma decisiones sobre lo que debe hacerse. Las decisiones siguen siendo tomadas por profesionales calificados”, aclara el investigador. En la visión de Liveraro, el objetivo del programa desarrollado es optimizar la rutina clínica: “Los resultados deberán ser diagnósticos más precisos y tratamientos más eficaces, lo que llevará a una mejor calidad de vida de los pacientes”.
A pesar de los resultados prometedores, los científicos involucrados en el desarrollo del programa informático utilizado para la segmentación y en su aplicación médica mantienen la cautela metodológica. El programa, que ya ha sido registrado con el apoyo de la Agencia de Innovación Inova Unicamp, aún necesitará ser probado en otros estudios clínicos prospectivos y en múltiples centros de salud.
Actualmente, los datos proporcionados por el programa deben utilizarse únicamente para clasificar el nivel de riesgo de cada paciente con cáncer de estómago, ayudando a prever quiénes tienen mayores probabilidades de complicaciones. En este primer momento, la tecnología no sirve para determinar cambios directos en el tratamiento oncológico principal, como modificar dosis de quimioterapia o indicar cirugías diferentes.
El cáncer gástrico, según el Instituto Nacional de Cáncer (Inca), es la tercera principal causa de muertes por tumores malignos en el mundo y, incluso después de tratamientos modernos, presenta altas tasas de recurrencia.
En la práctica diaria de los hospitales, considerando que la tasa de recurrencia en el cáncer gástrico es elevada y la detección precoz aún es un desafío, el programa puede funcionar como una importante señal de alerta, indicando qué pacientes están más debilitados físicamente y que, por ello, necesitan un monitoreo riguroso y frecuente. A partir de esta alerta, el equipo de salud puede actuar de forma preventiva en áreas que son fundamentales para la supervivencia, pero que suelen ser secundarias en el tratamiento tradicional.
Esto incluye ofrecer un soporte nutricional inmediato, intentar frenar la pérdida excesiva de masa muscular y controlar inflamaciones sistémicas en los pacientes identificados como más vulnerables. Solo con la realización de nuevos estudios en el futuro los equipos de salud podrán saber si la modificación de los medicamentos con base en estos datos ayudará a aumentar el tiempo de vida de los pacientes.
“Aún no sabemos si cambiar la conducta con base en este tipo de modelo mejora la supervivencia. Esta es exactamente la pregunta que debe ser respondida en estudios prospectivos. Existe, incluso, un escenario bidireccional a ser probado: tanto intensificar el tratamiento en pacientes ‘subestimados’ por el TNM como evitar el overtreatment en pacientes de bajo riesgo”, explica el oncólogo José Barreto.
Por dentro del programa: cómo la IA ve el cuerpo del paciente
La gran fortaleza del programa informático utilizado es un modelo matemático basado en Inteligencia Artificial (IA) enfocado en la lectura automatizada de Tomografías Computarizadas (CTs). La principal innovación de la herramienta radica en su nivel de detalle al analizar los tejidos musculares y adiposos.
Mientras que los algoritmos genéricos suelen identificar órganos más grandes, el programa desarrollado en la Unicamp (con los modelos U-Net y ResNet18) logra mapear, a partir de la imagen de CT a la altura de la tercera vértebra lumbar (L3), y aislar minuciosamente los músculos y la grasa del paciente en tres categorías distintas: la subcutánea (ubicada justo debajo de la piel), la visceral (acumulada entre las vísceras) y la intramuscular (entremezclada en las fibras musculares). El programa crea una máscara en la imagen, separando estos tipos de tejidos y coloreando cada uno de manera diferente; las imágenes originales son generadas en escala de grises por el equipo de CT.
El éxito del programa se logró al incorporar la experiencia hospitalaria directamente en la programación. La IA aprendió a leer las imágenes adoptando el razonamiento clínico de médicos y nutricionistas. “Incorporamos la experiencia de 10 años del equipo médico en la arquitectura del código”, explica el Dr. Jun Takahashi, físico nuclear, profesor titular del IFGW/Unicamp, investigador asociado al CancerThera y responsable del equipo que desarrolló el programa.
La tecnología resolvió un gran cuello de botella de las investigaciones radiómicas: el tiempo. El mapeo de los tejidos, que antes requería de 30 minutos a una hora de trabajo manual minucioso por parte del equipo médico, ahora se realiza “en menos de un minuto”, destaca el físico. Además de la velocidad, que elimina las variaciones de análisis causadas por el cansancio humano natural y permite investigaciones con grandes volúmenes de datos, existe una ganancia en precisión y uniformidad en el proceso, lo que es muy importante para las prácticas científicas. Con la capacidad de generar informes instantáneos de la composición corporal, la herramienta allana el camino para intervenciones altamente personalizadas.
En este enlace, puedes conocer los detalles del desarrollo y funcionamiento del programa.
Inicialmente, la imagen de entrada pasa por una etapa de preprocesamiento con la aplicación de un filtro de unidades Hounsfield (HU). A continuación, modelos basados en U-Net combinados con ResNet18 realizan la segmentación de los tejidos, clasificando músculo, tejido adiposo intramuscular, adiposo visceral y adiposo subcutáneo. Por último, se aplica un nuevo filtro de HU en el posprocesamiento, generando la imagen segmentada final en color. El diagrama es de autoría de los investigadores.
Texto y foto: Romulo Santana Osthues
