La pista llevaba años dentro de la tomografía
Un modelo de radiómica de Mayo Clinic detectó el 73% de los cánceres de páncreas en tomografías abdominales que ya habían sido informadas como normales, con una mediana de 16 meses de adelanto sobre el diagnóstico clínico. Se llama REDMOD, por Radiomics-based Early Detection Model, y se publicó en Gut en abril de 2026. No busca una masa ni delimita una lesión: cuantifica cientos de descriptores de textura y arquitectura del parénquima pancreático y pregunta cuánto se parece ese perfil al de personas que enfermaron después. Sobre las mismas imágenes, la lectura humana sin apoyo quedó algo por debajo del 40%.
Conviene nombrar la categoría antes de discutir el porcentaje, porque la categoría es lo importante. Esto no es diagnóstico por imagen en el sentido clásico. Es imagen oportunista y predictiva: la TC se pidió por dolor abdominal, por un traumatismo, para controlar un nódulo renal o para estadificar otra cosa, y el algoritmo llega después, sobre un estudio archivado, a devolver una probabilidad de enfermedad futura. El objetivo no es la lesión, sino la biología que la precede. El reportaje Subtle Signals, de Radiology Today, junta el caso del páncreas con líneas paralelas en pulmón, mama y columna torácica.
Los números: 1.462 pacientes, 968 atributos y una razón 7:1
El programa arrancó en 2019 y tuvo una prueba de concepto en Gastroenterology en 2022. La versión validada acumula casi seis años de trabajo en segmentación automática, ingeniería de atributos y diseño de clasificador. La cohorte combina 219 pacientes con TC prediagnóstica obtenida entre 3 y 36 meses antes del diagnóstico de adenocarcinoma ductal y 1.243 controles con páncreas normal y al menos tres años sin cáncer, cerca de 2.000 estudios en total. El entrenamiento usó 969 casos y la prueba 493, con unos siete controles por caso, y el 71% de las TC prediagnósticas del conjunto de prueba procedía de instituciones externas, con otros equipos y otros protocolos.
La segmentación corre sobre una nnU-Net tridimensional. De 968 atributos radiómicos candidatos, 40 sobrevivieron a la selección, y alrededor del 90% de ellos proviene de imágenes filtradas y no de la imagen cruda. La decisión final sale de un conjunto de regresión logística, bosque aleatorio y XGBoost. En el punto de operación publicado el modelo combina 73% de sensibilidad con 81% de especificidad y un área bajo la curva de 0,82 con atributos filtrados, frente a 0,74 sin ellos. Una validación externa independiente llegó al 87,5% de especificidad, y la concordancia entre estudios seriados del mismo paciente se mantuvo entre el 90% y el 92%.
Hay dos cortes que merecen atención. En estudios adquiridos más de dos años antes del diagnóstico, el modelo señaló casi el triple de cánceres futuros que la revisión convencional. Y la estabilidad longitudinal sugiere que el puntaje podría seguirse en el tiempo en vez de leerse una sola vez. Ajit Goenka, radiólogo y especialista en medicina nuclear de Mayo Clinic que dirige el proyecto, contó a Radiology Today que la idea nació de una frustración asistencial: pacientes con cáncer de páncreas cuyas tomografías previas se habían informado como normales. El tumor estaba, dijo, pero todavía no se había manifestado visualmente.
Qué calcula realmente la radiómica, y por qué un puntaje no es un diagnóstico
La radiómica convierte una imagen en una tabla de números. Una vez delimitado el órgano, el software obtiene histogramas de intensidad, medidas de forma y sobre todo estadísticos de orden superior que describen cómo se ordenan los vóxeles entre sí: aspereza, homogeneidad, entropía, longitud de secuencias de grises similares. Los filtros de wavelet y laplaciano de gaussiana exponen escalas de textura que el ojo no separa. Nada de esto crea información nueva; describe lo que la adquisición ya había registrado. La hipótesis es que, cuando el estroma pancreático empieza a reorganizarse en la fase preclínica, la firma aparece en esos estadísticos antes de convertirse en un contorno perceptible.
Goenka insiste en el límite: es una señal de riesgo, no un diagnóstico. Un resultado positivo dice que ese páncreas se parece al de pacientes que enfermaron después, y lo que viene depende de la historia clínica y del perfil de riesgo: repetir la TC, ecoendoscopia, PET molecular, toma de muestra o simplemente vigilancia. La población prevista es deliberadamente estrecha y se centra en la diabetes de aparición reciente después de los 50 años junto con un puntaje de riesgo validado. El cáncer de páncreas familiar es otro problema, con programas de vigilancia propios basados en resonancia y ecoendoscopia.
La tesis excede al páncreas. Ya cubrimos la IA que superó a los radiólogos en cáncer de páncreas inicial, el modelo que anticipa el riesgo de cáncer de mama una década antes a partir de la mamografía de cribado y un trabajo de radiómica que gradúa la osteoartritis de mano en radiografía simple. A la misma familia pertenecen los hallazgos incidentales en TC de pulmón que indican riesgo de cáncer. El hilo común es extraer del estudio más de lo que preguntaba la solicitud.
Qué cambiaría en la sala de informes
Otros grupos del reportaje siguen la misma lógica. En el University of Illinois Cancer Center de Chicago, Ameen Salahudeen investiga si las TC de tórax y las mamografías ya realizadas contienen señales útiles sobre riesgo oncológico futuro, con la apuesta práctica de que una estimación individualizada mejore la adherencia al seguimiento. En la Catholic University of Korea, Joon-Yong Jung adapta un modelo de base para radiografía de tórax a fin de reconocer alteraciones de la columna torácica que aparecen en la placa pero rara vez reciben atención, porque el estudio se pidió por enfermedad cardiopulmonar; el trabajo fue enviado al RSNA 2026. Paul Chang, de la University of Chicago, recuerda que buena parte de la cuantificación oportunista ya es viable hoy para calcio coronario, esteatosis hepática y sarcopenia.
En Brasil y en América Latina el argumento económico es limpio, porque el estudio ya se pagó. Donde no hay presupuesto para un programa poblacional de cribado, releer una TC de abdomen que ya está en el archivo cuesta cómputo, no adquisición. El cuello de botella está en otro lado. Exige integración real entre PACS, RIS y el modelo, para que el resultado llegue a quien corresponde en vez de morir en un informe paralelo; exige una vía de derivación acordada antes de encender el algoritmo; y exige responder quién se hace cargo de una alerta de riesgo que nadie pidió. El radiólogo que firmó una TC abdominal normal no fue consultado sobre el páncreas.
Dónde puede fallar: diseño, kernel y tiempo de anticipación
Quedan tres reservas técnicas que ningún comunicado resuelve. La primera es el diseño. Un estudio retrospectivo de casos y controles con siete controles por caso no reproduce la prevalencia real, y el valor predictivo positivo informado, cercano al 36%, se derrumba cuando esa misma sensibilidad y especificidad se aplican a una población no seleccionada. Con 81% de especificidad, alrededor de uno de cada cinco páncreas sanos recibe alerta, y cada alerta cuesta estudios, tiempo y ansiedad. La segunda es la generalización: los atributos radiómicos son notoriamente sensibles al fabricante, al espesor de corte, al kernel de reconstrucción y a la fase de contraste. Que el 90% de los atributos venga de imágenes filtradas y que el 71% de las TC de prueba sean externas ayuda, pero no reemplaza la validación en parques de equipos heterogéneos.
La tercera es el sesgo de anticipación. Detectar 16 meses antes solo sirve si lo que ocurre en esos 16 meses cambia el desenlace; de lo contrario el paciente solo pasa más tiempo sabiéndolo. Por eso el grupo de Mayo llevó el modelo al estudio prospectivo AI-PACED, que evalúa estratificación automática de riesgo, imagen seriada asistida por IA y biobanco en diabetes de aparición reciente, con el tiempo hasta el diagnóstico como desenlace primario. El diseño mantiene una barrera estricta: los informes clínicos los emiten radiólogos ciegos al estudio y entran en la historia clínica con normalidad, mientras el análisis de IA corre sobre datos anonimizados y no interviene en las decisiones asistenciales.
Curtis Langlotz, de Stanford, resume el momento con claridad. La IA ya es muy buena detectando anomalías visibles, y predecir enfermedad futura es la frontera siguiente, que en la mayoría de los casos exigirá datos multimodales y no solo imágenes. Chang es más duro sobre el riesgo de adelantarse a la evidencia: poder generar una predicción no la vuelve útil por sí misma, y estas herramientas tendrán que demostrar mejor atención al paciente y no solo significación estadística. Mientras esa prueba no llegue, conviene leer REDMOD por lo que es: la demostración más sólida hasta ahora de que hay información clínica útil dentro de estudios que ya llamamos normales.
Fuente: Radiology Today
