Un modelo predictivo que combina radiómica de resonancia magnética con aprendizaje automático puede estimar la expresión de PD-L1 en pacientes con cáncer de mama antes del inicio de la inmunoterapia. El trabajo fue presentado en la reunión 2026 de la International Society for Magnetic Resonance in Medicine (ISMRM) y da continuidad a una línea de investigación que viene madurando hace cinco años: aprovechar la RM ya realizada en la rutina diagnóstica para extraer un biomarcador de inmunoterapia, sin necesidad de una nueva biopsia.
Por qué importa la expresión de PD-L1
PD-L1 es el ligando del receptor PD-1 en los linfocitos T. Cuando el tumor lo sobreexpresa, la respuesta inmune local se atenúa — y el tumor se convierte en candidato ideal para los inhibidores de puntos de control como pembrolizumab y atezolizumab. En el cáncer de mama triple negativo (TNBC) esta decisión es central: el ensayo KEYNOTE-522 estableció el pembrolizumab con quimioterapia como estándar neoadyuvante para muchas de estas pacientes, y el estado de PD-L1 refina quién obtiene más beneficio. El problema práctico es que la lectura inmunohistoquímica de PD-L1 depende de tejido adecuado, varía entre patólogos y puede cambiar entre la muestra previa y posterior al tratamiento.
Cómo funciona la radiómica aplicada a la mama
El pipeline presentado en ISMRM sigue la arquitectura clásica de este tipo de estudios. Primero, la lesión se segmenta en RM dinámica con contraste (DCE-MRI), normalmente en 3D y abarcando todas las fases poscontraste. A partir de esa máscara, software dedicado extrae cientos de descriptores: varianza de primer orden, métricas de textura derivadas de la matriz de co-ocurrencia (GLCM) y de la matriz de longitudes de carrera (GLRLM), además de descriptores por zonas de gris (GLSZM). El conjunto compone una huella cuantitativa de la heterogeneidad interna del tumor — algo que el ojo humano no puede medir con fiabilidad.
Luego, algoritmos de aprendizaje automático (random forest, SVM, árboles de decisión, redes neuronales ligeras) seleccionan el subconjunto de descriptores que mejor separa a pacientes PD-L1 positivos de negativos. La validación interna utiliza típicamente cinco particiones cruzadas, y los modelos más maduros ya se prueban en cohortes externas.
Qué muestra la literatura reciente
El resultado de ISMRM coincide con hallazgos independientes. Un estudio del Memorial Sloan Kettering Cancer Center, publicado en Cancers en 2021, evaluó 62 mujeres con TNBC y construyó un modelo con apenas tres descriptores (varianza de primer orden, varianza de longitud de carrera y énfasis de baja intensidad en zonas grandes). El desempeño superó a la lectura cualitativa del radiólogo: 90,7% de sensibilidad, 85,1% de especificidad y 88,2% de precisión diagnóstica. Importante: la evaluación BI-RADS clásica no mostró asociación significativa con el estado de PD-L1, lo que refuerza que la información útil reside en medidas que escapan a la inspección visual.
En 2024, un grupo de la Universidad del Sur de China llevó el enfoque al terreno multicéntrico. Se analizaron cinco cohortes y los autores integraron RNA-seq de 1.089 pacientes del TCGA con 94 RM del TCIA para construir una firma radiómica capaz de estimar fenotipos del microambiente tumoral — incluyendo subtipos inmuno-inflamados versus inmuno-desérticos. La firma se validó en una cohorte independiente y refuerza que la señal radiómica no es un artefacto de un solo centro.
Implicaciones para la práctica clínica
El atractivo del enfoque es claro: estimar PD-L1 en todo el tumor primario sin nueva biopsia y sin sesgo de muestreo. Esto ayuda en tres escenarios — tumores pequeños donde la biopsia retira la mayor parte de la lesión, casos con PD-L1 limítrofe (CPS 1-10) donde la discordancia entre laboratorios es mayor, y pacientes en monitorización neoadyuvante, donde repetir biopsia para seguir la respuesta inmune es inviable. Algoritmos de imagen ya superan a radiólogos en otras tareas oncológicas, y la tendencia es integrar estas lecturas en el informe estructurado.
En América Latina, donde el acceso a la inmunohistoquímica de PD-L1 sigue siendo heterogéneo, un biomarcador derivado de RM rutinaria podría funcionar como triaje antes del estudio anatomopatológico más costoso — siempre que esté validado en cohortes locales. Plataformas comerciales de IA aplicadas a la mamografía ya muestran ganancia de especificidad en cribado, y el reto ahora es replicar ese rigor de validación en los pipelines de radiómica.
Limitaciones y próximos pasos
El entusiasmo debe matizarse por cuestiones metodológicas. Las cohortes siguen siendo pequeñas, varían la intensidad del campo magnético y los protocolos de adquisición, y modelos entrenados en un escáner pueden no funcionar en otro sin armonización (ComBat, normalización de firma). La reproducibilidad entre fabricantes — Siemens, GE, Philips — sigue siendo un reto abierto. Iniciativas que combinan RM a gran escala con IA han presionado a la comunidad a publicar pipelines reproducibles y abrir el código.
Otro punto sensible es regulatorio. Para convertirse en práctica clínica, un clasificador de PD-L1 basado en RM necesitaría validación prospectiva multicéntrica, comparación directa contra la inmunohistoquímica estándar y, eventualmente, autorización de la FDA, EMA o de los reguladores locales. La presentación de ISMRM 2026 marca, por lo tanto, un paso importante — aunque no el último — hacia un biomarcador imagenológico que podría cambiar el flujo de decisión en cáncer de mama.
Fuente: AuntMinnie — ISMRM: Predictive model evaluates PD-L1 status in breast cancer (10/05/2026)
