Aplicación de la Radiómica Basada en Resonancia Magnética Multimodal en la Clasificación Histológica y la Evaluación Pronóstica del Cáncer de Mama

Además de la estadificación TNM, el manejo actual del cáncer de mama se basa en características patológicas convencionales que categorizan la enfermedad en tres subtipos moleculares, cada uno con implicaciones pronósticas significativas en la práctica clínica: cáncer de mama positivo para el receptor 2 del factor de crecimiento epidérmico humano (HER2), luminal (receptor hormonal positivo y HER2 negativo) y triple negativo. La sobreexpresión o amplificación de HER2 se observa en el 10-15% de los casos de cáncer de mama. Este fenómeno a menudo se correlaciona con un comportamiento tumoral más agresivo, al mismo tiempo que demuestra una mayor respuesta a las terapias dirigidas contra HER2. Sin embargo, el uso de fármacos anti-HER2 altamente eficaces puede mejorar significativamente los resultados de supervivencia de estos pacientes. Además, el estado de expresión de HER2 es crítico para determinar la necesidad de terapia dirigida. Por lo tanto, la evaluación preoperatoria del estado de expresión de HER2 tiene importantes implicaciones terapéuticas. Actualmente, los métodos clínicos para evaluar el estado de HER2 en el cáncer de mama antes de la cirugía incluyen pruebas de inmunohistoquímica (IHC) y mediciones de hibridación in situ con fluorescencia (FISH) realizadas en muestras de biopsia con aguja gruesa. Sin embargo, estas técnicas de muestreo por biopsia tienen limitaciones inherentes, incluido el sesgo de muestreo y la incapacidad de representar completamente la heterogeneidad intratumoral. Además, el procedimiento de biopsia puede ser incómodo y conlleva ciertos riesgos para los pacientes. La heterogeneidad tumoral generalmente se refiere a las variaciones en la angiogénesis, el metabolismo, la expresión génica y otras características biológicas entre los tumores. La heterogeneidad intratumoral (ITH) puede manifestarse como diferencias de señal en las imágenes radiológicas a nivel macro. Los investigadores plantearon la hipótesis de que existen diferencias significativas en las características biológicas y el comportamiento entre los cánceres de mama HER2 positivos (HER2+) y HER2 negativos (HER2-), lo que permite distinguir estos dos tipos de tumores identificando características de imagen específicas que reflejan la ITH.

La resonancia magnética dinámica con contraste (DCE-MRI) es una modalidad de imagen efectiva que proporciona información temporal sobre la dinámica de los agentes de contraste en lesiones sospechosas mientras mantiene una resolución espacial aceptable. Es particularmente sensible para detectar lesiones de cáncer de mama, especialmente aquellas en tejido mamario denso. La DCE-MRI puede reflejar indirectamente la proliferación vascular tumoral anormal a través de las características hemodinámicas de las lesiones. La radiómica es una tecnología emergente que implica extraer características cuantitativas y reproducibles de imágenes médicas utilizando modalidades sofisticadas de alto rendimiento que a menudo son difíciles de identificar o cuantificar visualmente. Estas características, que pueden estar vinculadas a enfermedades específicas, se analizan utilizando algoritmos estadísticos o de aprendizaje automático (ML) para crear modelos predictivos para el diagnóstico tumoral, la clasificación, la evaluación de eficacia y la predicción del pronóstico. El ML tiene dos ventajas importantes sobre los modelos estadísticos tradicionales. El objetivo es reducir el tiempo de decisión durante el diagnóstico y lograr en general una mayor precisión diagnóstica. Como se ha demostrado en el diagnóstico del cáncer de mama, el ML puede mejorar significativamente la predicción del riesgo de cáncer identificando patrones complejos en grandes cantidades de datos clínicos. A pesar del gran potencial del ML, aún enfrenta varios obstáculos en su aplicación clínica. Un gran desafío es la falta de interpretabilidad: muchos modelos de ML funcionan como "cajas negras", lo que dificulta que los clínicos comprendan y confíen en sus procesos de toma de decisiones. Además, el rendimiento del modelo depende en gran medida de la calidad y representatividad de los datos de entrenamiento. Los métodos de ML a menudo requieren conjuntos de datos más grandes que los estudios clínicos tradicionales.

Por lo tanto, este estudio tuvo como objetivo desarrollar un modelo de ML basado en radiómica que pudiera predecir el estado de HER2 de los cánceres de mama de manera no invasiva utilizando imágenes de DCE-MRI. Además, se empleó el algoritmo de explicación aditiva de Shapley (SHAP) para analizar la contribución de las variables incluidas en el modelo, proporcionando información valiosa para formular planes de tratamiento preoperatorio más precisos para pacientes con cáncer de mama.