Un modelo de inteligencia artificial entrenado con tomografías de tórax de rutina puede señalar, antes de iniciar el tratamiento, qué pacientes con cáncer de pulmón tienen mayor riesgo de desarrollar neumonitis inducida por inmunoterapia. Bautizado CIPHER (Checkpoint-Inhibitor Pneumonitis Hazard EstimatoR) y desarrollado en el MD Anderson Cancer Center, en Houston, el sistema alcanzó un AUC de 0,83 en una cohorte externa del Johns Hopkins, frente a 0,66 de un modelo radiómico convencional. El estudio se publicó en septiembre en el Journal for ImmunoTherapy of Cancer.
Qué hizo el estudio y qué números presentó
La neumonitis asociada a inhibidores de puntos de control inmunitario (ICI) es una inflamación pulmonar potencialmente mortal que afecta a cerca del 10% de los pacientes con cáncer de pulmón en inmunoterapia. Hoy no existe una prueba que indique de antemano quién la desarrollará. El grupo liderado por Amgad Muneer, con Jia Wu (Física de Imagen), Ajay Sheshadri (Neumología) y Mehmet Altan (Oncología Torácica) como autores sénior, partió de una pregunta directa: ¿la TC que todo paciente ya se hace antes de empezar el tratamiento contiene pistas suficientes para estimar ese riesgo?
Para responderla, el equipo construyó CIPHER en dos etapas. En la primera, el modelo se preentrenó de forma autosupervisada con 590.284 cortes de TC, provenientes de 4.286 estudios de 2.500 pacientes con cáncer de pulmón de células no pequeñas (CPCNP), sin ninguna etiqueta clínica. En la segunda, se adaptó a una cohorte interna de 347 pacientes tratados con ICI, de los cuales 33 tuvieron neumonitis adjudicada por especialistas. El ajuste fino usó solo 254 pacientes sin neumonitis, y el desempeño se midió en un conjunto de prueba separado de 93 pacientes (33 casos y 60 controles).
En esa prueba interna, el AUC osciló entre 0,77 y 0,85 en cinco ejecuciones independientes, con exactitud balanceada del 83,3%, sensibilidad del 80,0% y especificidad del 86,7%. En la validación externa, con 116 pacientes del Johns Hopkins (20 casos y 96 controles), CIPHER mantuvo un AUC de 0,83 y una exactitud balanceada del 81,7%, clasificando correctamente 80 de los 96 controles y 16 de los 20 casos. El modelo radiómico comparador, aunque sensible (85%), falló en más de la mitad de los controles, con una especificidad de apenas 45,8%; la diferencia de AUC (0,83 frente a 0,66) fue estadísticamente significativa (p = 0,032).
Un dato adicional interesa al clínico: tras ajustar por variables clínicas, cada desviación estándar adicional en la puntuación de CIPHER se asoció con un riesgo de toxicidad aproximadamente tres veces mayor. Los mapas de atención del modelo destacaron reticulación subpleural y opacidades en vidrio esmerilado, hallazgos compatibles con enfermedad pulmonar intersticial (EPI) sutil y posiblemente no diagnosticada. El trabajo fue financiado por el NIH, el CPRIT y el propio MD Anderson, y el código está disponible en GitHub (WuLabMDA/CIPHER).
Qué es un modelo fundacional y por qué importa en la TC
La expresión «modelo fundacional» describe una red neuronal entrenada con un gran volumen de datos sin etiquetas, que aprende representaciones generales de un dominio y luego se especializa en tareas concretas con pocos ejemplos. CIPHER combina dos técnicas de ese tipo. El autoencoder enmascarado oculta una fracción de los parches de cada corte de TC y obliga a la red, basada en transformer, a reconstruir lo que se eliminó; para lograrlo, debe internalizar cómo se organiza el parénquima pulmonar normal. El aprendizaje contrastivo, por su parte, acerca las representaciones de versiones aumentadas del mismo estudio y aleja las de estudios distintos, lo que hace a los descriptores más robustos frente a variaciones de protocolo y de equipo.
Esa combinación ayuda a explicar por qué el enfoque tiende a superar a la radiómica clásica en cohortes pequeñas. Los modelos radiómicos dependen de cientos de descriptores de textura calculados dentro de una región segmentada manualmente y suelen sobreajustarse al equipo de origen, algo coherente con la especificidad del 45,8% del comparador en la validación externa. En cambio, una red que aprendió a reconstruir miles de pulmones tiene, por construcción, un sentido estadístico de lo normal: las regiones que se apartan de ese patrón, como bandas reticulares yuxtapleurales o vidrio esmerilado tenue, son justamente las que reconstruye peor y, por tanto, las que más pesan en la representación. Es la misma lógica que permite a los modelos de aprendizaje profundo leer riesgo de cáncer en TC consideradas normales.
Neumonitis por inmunoterapia y neumonitis por radiación: por qué importa la distinción
Para quienes trabajan en radioterapia, el estudio tiene relevancia directa. La neumonitis por radiación es un efecto dependiente de la dosis, limitado al volumen irradiado, que suele aparecer entre uno y seis meses después del tratamiento y sigue la geometría de los campos. La neumonitis por ICI, en cambio, es inmunomediada, generalmente bilateral y difusa, puede surgir semanas o muchos meses después de la primera infusión y adopta patrones variados en la TC, desde neumonía organizada hasta enfermedad intersticial aguda. En la práctica, ambos fenómenos se superponen cada vez más: desde el ensayo PACIFIC, el durvalumab de consolidación tras la quimiorradioterapia se convirtió en el estándar en el CPCNP estadio III irresecable, y en ese ensayo la neumonitis de cualquier grado, incluida la actínica, fue más frecuente en el brazo del ICI que con placebo.
Una puntuación de riesgo calculada en la TC de planificación o en la TC basal podría, en teoría, informar decisiones que hoy dependen del juicio clínico: reforzar las restricciones de dosis al pulmón, elegir entre esquemas con o sin consolidación inmunológica o intensificar la vigilancia por imagen. La misma cautela vale para los escenarios de reirradiación, donde la dosis acumulada al pulmón ya exige una planificación cuidadosa. Conviene recordar que CIPHER no fue entrenado para distinguir los dos tipos de neumonitis ni para predecir toxicidad por radiación; esa extensión es una hipótesis, no un resultado del estudio.
Dónde encajaría CIPHER en el flujo oncológico
La TC de tórax basal es obligatoria antes de cualquier línea de tratamiento sistémico: estadifica la enfermedad, sirve de referencia para los criterios de respuesta y, muchas veces, es la misma imagen usada en la planificación radioterápica. Un modelo que extrae una puntuación de riesgo de ese estudio, sin adquisición adicional, sin contraste extra y sin segmentación manual, tiene un costo marginal bajo. El cuello de botella no es técnico sino organizativo: alguien debe validar el modelo localmente, integrarlo al PACS, definir quién recibe la alerta y qué hacer con ella. Como planteamos al analizar por qué la IA en radiología exige gestión antes de firmar, las herramientas pronósticas solo generan valor cuando existe un protocolo clínico acoplado a la salida del algoritmo.
En Brasil y en la región, la cuestión dejó de ser teórica. El pembrolizumab fue incorporado al sistema público brasileño (SUS) para un subgrupo de pacientes con CPCNP metastásico y alta expresión de PD-L1, y el durvalumab de consolidación figura en la lista de cobertura obligatoria de la agencia reguladora de planes de salud (ANS), lo que amplía el número de pacientes expuestos al riesgo de neumonitis. Al mismo tiempo, la EPI está subdiagnosticada, y la TC de estadificación suele ser la primera oportunidad de identificar reticulación o vidrio esmerilado sutiles, hallazgos cuya descripción en el informe, como mostró un estudio reciente, varía mucho entre radiólogos. Una puntuación automatizada podría estandarizar ese cribado. Por ahora, ningún dispositivo de este tipo tiene registro para la indicación, y el panorama regulatorio de la IA en imagen, dominado por herramientas de detección, todavía cuenta con pocos algoritmos pronósticos autorizados.
Limitaciones y próximos pasos
Los propios autores enumeran las restricciones. El modelo se entrenó y evaluó solo en CPCNP, con un número pequeño de eventos (33 casos internos y 20 externos), en un diseño retrospectivo y con la neumonitis adjudicada a posteriori. Cuatro de los veinte casos externos pasaron desapercibidos, y un falso negativo en este contexto significa un paciente de alto riesgo sin vigilancia reforzada. Tampoco está claro cómo se comporta la puntuación en el carcinoma de células pequeñas, en pacientes ya irradiados o en poblaciones con un perfil de EPI distinto del estadounidense.
El equipo reclama validación prospectiva y multicéntrica antes de cualquier uso clínico y sugiere que CIPHER podría orientar estrategias de monitorización personalizada e intervenciones preventivas en los pacientes más vulnerables. La publicación del código facilita la replicación por otros centros, incluidos los latinoamericanos, con TC adquiridas en equipos y protocolos distintos. El artículo completo está en acceso abierto en JITC, y el MD Anderson difundió un comunicado de prensa sobre el trabajo.
Fuente: AuntMinnie
