KIA-Korekt: Evaluación de IA Unimodal a Multimodal Escalonada para la Predicción de Riesgo Perioperatorio en Cáncer Colorrectal (KIA-Korekt)

El cáncer colorrectal (CCR) es una de las neoplasias malignas más prevalentes en todo el mundo. A pesar de los avances en la técnica quirúrgica y la atención perioperatoria, las complicaciones postoperatorias a corto plazo siguen siendo frecuentes y afectan sustancialmente a la calidad de vida del paciente, los costes sanitarios y el pronóstico a largo plazo. Estas complicaciones incluyen fuga anastomótica, infección de la herida, sepsis, eventos tromboembólicos y mortalidad intrahospitalaria. Las escalas de riesgo clínico existentes (ASA, POSSUM) ofrecen solo una estratificación de riesgo individualizada limitada y no incorporan biomarcadores biológicos derivados de imágenes.

El estudio KIA-Korekt aborda esta brecha mediante el desarrollo y validación de modelos predictivos basados en inteligencia artificial para complicaciones perioperatorias en CCR, integrando tres modalidades de imagen complementarias:

Histopatología digital: Se analizan imágenes de portaobjetos completos teñidas con hematoxilina-eosina (H&E-WSI) de especímenes de resección quirúrgica y biopsias preoperatorias utilizando aprendizaje de múltiples instancias basado en atención (MIL) y redes neuronales convolucionales (CNN), basándose en flujos de trabajo establecidos del Departamento de Patología Computacional de la TU Dresden (AG Kather).

Radiología: Las imágenes de TC y RM preoperatorias se procesan utilizando segmentación automatizada (TotalSegmentator, nnU-Net) y extracción de características radiómicas (PyRadiomics). Las características se derivan del tumor primario, el músculo psoas (sarcopenia) y los compartimentos de grasa visceral/subcutánea. Un flujo de trabajo de control de calidad multimétrica dedicado garantiza representaciones estables de los datos de imagen entre escáneres y protocolos de adquisición.

Imagen tisular multiplex (mTI): Se aplican inmunohistoquímica multiplex con imágenes multiespectrales (mIHC-MSI) y citometría de masas por imágenes (IMC) a tejido tumoral fijado en formol e incluido en parafina para caracterizar poblaciones de células inmunitarias y del estroma, intensidades de expresión de marcadores y patrones de distribución espacial dentro del microambiente tumoral.

Se desarrollan y validan modelos unimodales por separado para cada modalidad. La integración multimodal se realiza mediante fusión a nivel de características, fusión tardía y aprendizaje de múltiples instancias multimodal con mecanismos de atención cruzada. El rendimiento del modelo se evalúa utilizando AUC-ROC, gráficos de calibración, puntuaciones de Brier y Análisis de Curva de Decisión. La interpretabilidad se evalúa utilizando valores SHAP y mapas de calor de atención.

El estudio emplea un diseño de cohorte mixto retrospectivo (n=750, 2011-2021) y de validación prospectiva (n=210, 2026-2028). La cohorte retrospectiva proporciona la base para el desarrollo del modelo y la validación cruzada interna; la cohorte prospectiva permite la validación externa en condiciones clínicas del mundo real.

Un análisis integral de correlación macro-micro a nivel de paciente investiga las asociaciones entre fenotipos de imagen radiológica y las características histopatológicas e inmunológicas microscópicas derivadas de los mismos tumores, permitiendo perspectivas biológicas integradoras únicas.

El estudio está financiado por la Unión Europea y el Estado de Brandeburgo (HealthTranslateBB/FEDER) y la Fundación Alemana de Investigación (DFG). La aprobación ética ha sido concedida por el comité de ética de la Facultad de Medicina de Brandeburgo Theodor Fontane. Todos los participantes prospectivos proporcionan consentimiento informado por escrito. Los datos retrospectivos se procesan de forma seudonimizada de acuerdo con el RGPD.

Los resultados se difundirán a través de publicaciones de acceso abierto revisadas por pares y presentaciones en conferencias nacionales e internacionales.