El cáncer de mama es el cáncer femenino más frecuente, y alrededor del 70% de los casos pertenecen al subtipo con receptores hormonales positivos y HER2 negativo. A todas esas pacientes se les prescribe terapia endocrina, pero añadir quimioterapia solo ayuda a una parte de ellas. Las pruebas genéticas existentes, como Oncotype DX, evalúan el riesgo de recaída, no el beneficio de la quimioterapia, lo que conduce a un tratamiento excesivo. Este trabajo se sitúa entre las investigaciones sobre predicción de resultados del cáncer a partir de imágenes médicas y datos genéticos. Los estudios cercanos utilizan aprendizaje profundo para predecir la recaída o la respuesta al tratamiento, pero casi todos siguen siendo pronósticos y no predictivos: no evalúan en qué medida a un paciente concreto le ayudará un tratamiento concreto. Este artículo llena ese vacío aplicando un enfoque causal a datos multimodales.
El modelo CTX combina dos fuentes de datos: imágenes histológicas del tumor, procesadas por la red neuronal preentrenada Falcon (entrenada con dos mil millones de fragmentos de tejidos), y características clínicas estándar, como la edad, el estadio tumoral y el estado de los receptores. Para estimar el efecto individual del tratamiento se utilizó una red de regresión contrafactual (CFRNet), que iguala las distribuciones de características entre los grupos de pacientes que recibieron y no recibieron quimioterapia. Esto permite al modelo predecir la probabilidad de recaída de cada paciente en dos escenarios: solo con terapia endocrina y con quimioterapia añadida. La diferencia entre estas predicciones es el beneficio personal de la quimioterapia. El modelo se entrenó con datos de 9 141 pacientes de 12 cohortes en 9 países, y se validó con 1 994 pacientes de 5 cohortes independientes.
El modelo mostró una calibración casi perfecta: la probabilidad de recaída predicha coincidía con la frecuencia real de eventos. La capacidad de discriminación fue de un AUC de 0.711 para el horizonte de 5 años y de 0.765 para el de 10 años. El indicador principal, la interacción entre el beneficio predicho de la quimioterapia y el tratamiento real, resultó estadísticamente significativo (p = 8.11×10⁻⁵). En las pacientes con un beneficio predicho alto, la quimioterapia reducía el riesgo de recaída en un 58% (HR = 0.42), mientras que en las pacientes con un beneficio bajo no había efecto (HR = 1.40). En una comparación directa con Oncotype DX en las mismas pacientes, CTX mostró una asociación más fuerte con el beneficio del tratamiento (p = 9.68×10⁻⁴ frente a p = 0.0247). El modelo también reveló correlatos morfológicos y moleculares: los tumores con alta sensibilidad predicha a la quimioterapia estaban enriquecidos en genes del ciclo celular, de estrés replicativo y de respuesta inmunitaria.
El trabajo se diferencia de las investigaciones cercanas en que evalúa directamente el beneficio personal del tratamiento, y no solo el pronóstico. La mayoría de los modelos existentes, incluidos los que usan aprendizaje profundo sobre histología, predicen el riesgo de recaída independientemente de la terapia, lo que no permite decidir quién necesita quimioterapia. Aquí, en cambio, un modelo causal separa el pronóstico y la sensibilidad al tratamiento, lo que cambia por completo su aplicación clínica. Además, el modelo funciona con datos rutinarios (histología y clínica), sin pruebas genéticas costosas, lo que amplía el acceso a la oncología personalizada.
El enfoque puede extenderse a otros tipos de cáncer y a otros tratamientos. Los autores demostraron que el modelo, entrenado solo con cáncer de mama, se traslada sin reentrenamiento a otros 16 tipos de cáncer, sobre todo a aquellos en los que se emplean fármacos citotóxicos similares. En el futuro se podrían añadir datos moleculares espaciales o ADN tumoral circulante para mejorar las predicciones. También es posible entrenar el modelo para evaluar el efecto de la terapia dirigida y de la inmunoterapia.
Los resultados influirán en la oncología clínica, ya que permitirán reducir la prescripción excesiva de quimioterapia y dirigirla a quienes realmente obtendrán beneficio. También acelerarán el desarrollo de nuevos biomarcadores y cambiarán el diseño de los ensayos clínicos, donde la selección de pacientes será más precisa.
Se necesita una validación prospectiva del modelo en ensayos clínicos aleatorizados para confirmar su precisión predictiva en condiciones controladas. También conviene estudiar la posibilidad de predecir el efecto de esquemas concretos de quimioterapia y de combinaciones con fármacos dirigidos.
En oncología sigue sin resolverse el problema de identificar a los pacientes a quienes la quimioterapia adyuvante realmente les aportará beneficio. Los biomarcadores pronósticos existentes mezclan el riesgo de recaída y la sensibilidad al tratamiento, lo que lleva a tratar en exceso. Este trabajo aborda directamente esa tarea, separando el pronóstico y el efecto del tratamiento a nivel individual.
El modelo Falcon, utilizado para analizar las imágenes histológicas, se entrenó con dos mil millones de fragmentos de tejidos, es decir, unos 40 000 portaobjetos completos, una cifra comparable con el archivo de un gran centro oncológico acumulado durante décadas.
La idea de predecir la reacción individual a un tratamiento recuerda a la película «Gattaca», donde un análisis genético determina el destino de una persona. Aquí, sin embargo, no se trata de fatalismo, sino de la posibilidad de elegir la terapia óptima a partir de los datos.