Anales de la RANM

27 A N A L E S R A N M R E V I S T A F U N D A D A E N 1 8 7 9 Martí-Bonmatí L An RANM. 2022;139(01): 23 - 30 CÁNCER DE PÁNCREAS, RADIÓMICA E INTELIGENCIA ARTIFICIAL absoluta media robusta del logaritmo, y correla- ción de la matriz de co-ocurrencia del nivel de gris cuadrado) presenta un rendimiento significativa- mente mejor en comparación con la evaluación del radiólogo (AUC=0,71 vs 0,54) (34). Si se validan, estos resultados mejorarán el rendimiento en la predicción de la resección completa R0, incluso después de la quimioterapia neoadyuvante. En otra serie de 131 pacientes con ACDP, varias caracterís- ticas de textura se asociaron con tumores agresivos, alto grado tumoral, alto riesgo de infiltración, enfermedad ganglionar, invasión linfovascular e invasión perineural (35). La afectación ganglionar es un predictor indepen- dientes de supervivencia. La lectura estándar de los estudios TC-C tiene una baja sensibilidad y valor predicho para detectar la afectación linfática. En una serie de 225 pacientes con ACDP, un modelo de regresión logística multivariante con 12 caracterís- ticas radiómicas se asoció significativamente con afectación linfática, aunque sin validación externa (36). Otro estudio con 159 pacientes seleccionó 15 características radiómicas para construir un modelo combinando firma radiómica, adenopa- tías y grado patológico para discriminar metástasis linfáticas (AUC=0,94 en entrenamiento y 0,91 en validación interna) (37). Otro estudio con 130 pacientes mostró que una firma con 4 caracterís- ticas radiómicas se asoció significativamente con metástasis ganglionares (AUC=0,80 en entrena- miento y 0,78 en validación) (38). La radiómica permite también estimar el desarrollo de metástasis. Una serie de 147 pacientes mostró que la integración en un modelo de Machine Learning de un marcador bioquímico (CA.19-9), un hallazgo radiológico (necrosis) y una característica radiómica (relación superficie/volumen) se asocia significativamente con la aparición de metástasis en los 12 meses posteriores a la cirugía, pudiendo ser un indicador de quimioterapia neoadyuvante como primera línea de tratamiento (30). Dado que el tamaño y estadio tumorales tienen una correlación imperfecta con las tasas de supervivencia a largo plazo, las predicciones pronósticas en pacientes con ACDP son inciertas. Las firmas radiómicas pueden ayudar en este contexto. Las características de textura como la hipoatenuación, homogeneidad, desviación estándar y asimetría se asociaron con una menor supervivencia general en pacientes con lesiones irresecable tratados con quimioterapia (39). Otro estudio multicéntrico con 98 pacientes como cohorte de validación demostró que una firma radiómica tiene valor pronóstico para supervivencia global (HR=1,56-1,35) (29). En otra serie de 116 pacientes, las características GLRLM ( grey-level run-length matrix ) de heterogeneidad se relacionaron con una peor supervivencia (40). En un estudio más amplio con 401 pacientes (151 para entrenamiento, 150 para ajuste y 100 para validación externa), la firma radiómica con un modelo support vector machine diferenció supervivencias con una precisión aceptable (AUC=0.96, 0.91 y 0.77, para cohortes de entrenamiento, ajuste y validación, respectivamente) (41). Respecto a la radiómica profunda, las caracte- rísticas obtenidas en 111 pacientes con redes neuronales y aprendizaje de transferencia se relacionaron con el tiempo de supervivencia, aunque sin validación (42). Los modelos Machine Learning con IA se han empleado para predecir la respuesta, progresión y supervivencia general de estos pacientes (43). Un modelo con redes neuronales basado en la arquitec- tura LeNet presentó un AUC de 0,74 (p<0,001) para diferenciar a los pacientes tras neoady- uvancia con respuesta patológica (grados de regresión tumoral 0-2) de aquellos sin respuesta (regresión tumoral grado 3). Cuando este modelo incorpora un 10% de disminución del CA.19–9, el rendimiento diagnóstico aumenta significati- vamente (AUC=0,79) (44). Si estos resultados se validaran, podría implementarse para limitar la duración de la neoadyuvancia, la necesidad de radioterapia adicional y las cirugías innecesarias. Del mismo modo, un modelo Machine Learning de predicción tras quimiorradioterapia en una serie de 50 pacientes utilizó los cambios en las características radiómicas del tumor (delta- radiómica) para crear una firma con 13 propie- dades y diferenciar los respondedores (AUC=0,94 en la cohorte de validación) (45). El análisis de la sarcopenia evaluada por una red neuronal también ha mostrado una asociación significa- tiva con la mortalidad (HR=1,58) (46). Ante una tumoración pancreática, la biopsia guiada por ecografía y la TC-C son imprescindi- bles para guiar la mejor opción de tratamiento. Los diferentes perfiles moleculares y mutaciones permiten identificar pacientes que puedan benefi- ciarse de terapias médicas dirigidas. Los tumores con un comportamiento biológico altamente agresivo (como un CA.19-9 elevado) podrían beneficiarse de una quimioterapia neoadyu- vante en lugar de una cirugía inicial para evitar una recurrencia temprana. Aunque todavía en uso experimental, existen soluciones de IA que permiten la segmentación de páncreas y sus tumores, así como la extracción de caracterís- ticas radiómicas y radiómicas profundas (47). Las redes neuronales convolucionales aplicadas a las imágenes TC-C proporcionan una segmentación razonablemente precisa y una detección del cáncer con una alta sensibilidad, incluso en tumores pequeños (47). Las firmas radiómicas pueden contribuir en la definición de estos fenotipos más agresivos permitirá adaptar mejor los enfoques de quimioterapia, quimiorradiación, e inmuno- terapia dirigida para mejorar la supervivencia de los pacientes (12,48). Este fenotipado pronós- tico podría ayudar a clasificar la lesión (agresi- vidad, vías moleculares), predecir la respuesta al tratamiento y el desarrollo de complicaciones. La imagen computacional también permitirá identi- ficar los distintos hábitats y subpoblaciones tumorales para dirigir el tratamiento. PROPUESTA DE MANEJO DEL PACIENTE CON ACDP