Un modelo multimodal basado en inteligencia artificial predice recaída temprana en osteosarcoma tras quimioterapia neoadyuvante

El osteosarcoma (OS) es el tumor óseo maligno más frecuente en adolescentes y adultos jóvenes. A pesar de los avances en cirugía y quimioterapia, alrededor del 30 % de los pacientes presentan recaídas dentro del primer año tras completar el tratamiento.

La ausencia de biomarcadores fiables para detectar precozmente el riesgo de recaída motivó el desarrollo de modelos predictivos que integren imágenes radiológicas, variables clínicas y patológicas mediante machine learning.

⚙️ ¿Qué hicieron?

Se analizó una cohorte retrospectiva de 142 pacientes con osteosarcoma.

A partir de imágenes MRI preoperatorias (T1 y FST2) obtenidas tras la quimioterapia neoadyuvante (NAC), se extrajeron 2452 características radiómicas.

Estas fueron refinadas mediante análisis LASSO hasta obtener 16 variables relevantes.

Posteriormente, se compararon distintos modelos de aprendizaje automático:

• Random Forest (RF)

• Support Vector Machine (SVM)

• Logistic Regression (LR)

• Decision Tree (DT)

• Gradient Boosting Tree (GBT)

Los modelos se evaluaron con curvas ROC, análisis de decisión clínica (DCA) y curvas de Kaplan-Meier para determinar la precisión predictiva y la supervivencia libre de recaída.

El flujo metodológico incluyó las siguientes etapas:

1️⃣ Obtención de imágenes de resonancia magnética (MRI) preoperatorias.

2️⃣ Extracción y selección de características radiómicas.

3️⃣ Integración con variables clínicas y patológicas (como niveles de fosfatasa alcalina [ALP] y necrosis tumoral).

4️⃣ Entrenamiento y validación de los modelos de machine learning.

5️⃣ Evaluación comparativa del rendimiento predictivo mediante métricas ROC y DCA.

👩‍⚕️ Los pacientes evaluados se caracterizaron por:

Las dos cohortes fueron comparables en edad, sexo, tamaño tumoral y grado de necrosis, garantizando una validación equilibrada del modelo.

📊 ¿Qué encontraron?

Selección de características radiómicas

De las 2452 variables iniciales, el análisis LASSO identificó 16 características clave con alta correlación con la recaída temprana. Estas incluían descriptores de textura y heterogeneidad tumoral, reflejando alteraciones microscópicas no visibles a simple vista.

Curvas ROC y rendimiento de los modelos

El modelo Random Forest (RF) fue el que mostró mejor rendimiento predictivo, con áreas bajo la curva (AUC) superiores a los otros algoritmos tanto en la cohorte de entrenamiento como en la de validación.

El modelo RF multimodal, que integró las 16 variables radiómicas con dos parámetros clínico-patológicos (ALP y necrosis), alcanzó la mayor precisión global para predecir recaída temprana.

Importancia de las variables y representación del modelo

La necrosis tumoral y los niveles de ALP fueron los factores más relevantes, junto con las características radiómicas seleccionadas. La representación gráfica del modelo mostró cómo la combinación de estos parámetros permitió discriminar eficazmente entre pacientes de alto y bajo riesgo de recaída.

Análisis de decisión clínica y curvas de supervivencia

El análisis DCA evidenció que el modelo RF multimodal ofreció el mayor beneficio clínico neto, con la mejor capacidad de discriminación del riesgo en distintos umbrales de decisión.

Las curvas de Kaplan-Meier mostraron que los pacientes con puntuaciones más altas en el modelo presentaban una mayor probabilidad de recaída temprana y menor supervivencia global.

🧠 ¿Qué concluyeron?

Los investigadores concluyeron que el modelo Random Forest multimodal, que combina características radiómicas, clínicas y patológicas, puede mejorar la predicción de recaída temprana en osteosarcoma y contribuir a personalizar el tratamiento en pacientes de alto riesgo.

Este enfoque permitiría optimizar decisiones terapéuticas y estrategias de seguimiento, reduciendo recaídas precoces y mejorando los resultados a largo plazo.

💡 El equipo subrayó que futuros estudios prospectivos son necesarios para validar y refinar estos hallazgos en poblaciones más amplias.