Un modelo avanzado de inteligencia artificial (IA), entrenado con información combinada de imágenes histopatológicas digitales, datos clínicos y un análisis molecular ampliado, demostró una capacidad pronóstica superior para predecir recaídas distantes respecto al puntaje genómico tradicional utilizado en la práctica habitual. Este modelo multimodal, denominado ICM+, mostró un desempeño significativamente mejor para identificar tanto recaídas globales como recaídas tardías, con validación interna en la cohorte del estudio fase III TAILORx.

TAILORx evaluó a más de 10,000 pacientes con cáncer de mama temprano RH-positivo, HER2-negativo y ganglios negativos, clasificadas por su puntaje de recurrencia para orientar la indicación de quimioterapia adyuvante. En el grupo con puntajes intermedios (11-25), el estudio demostró que la hormonoterapia no era inferior a la combinación de hormonoterapia y quimioterapia en supervivencia libre de enfermedad invasiva, con un beneficio discreto de la quimioterapia solo en mujeres mayores de 50 años o con puntajes más elevados dentro del rango intermedio.

Ante las limitaciones del puntaje genómico para predecir recaídas tardías —más allá de 5 años— se desarrolló el modelo ICM+ para explorar si la integración de patología digital y perfiles moleculares podía mejorar la precisión pronóstica. Para ello se utilizaron 4462 muestras tumorales con imágenes digitalizadas y secuenciación de transcriptoma completo para entrenar el modelo, junto con un conjunto independiente de validación de 1621 muestras. Ambos grupos mostraron características demográficas y clínicas comparables a la población total del estudio.

Mientras que el puntaje genómico mostró un buen rendimiento para recaídas tempranas, su valor pronóstico para recaídas tardías fue limitado. En contraste, el ICM+ alcanzó un índice de concordancia notablemente superior para recaídas distantes globales y tardías. En el análisis de validación, el modelo obtuvo un C-index de 0.733 para recaída distante a 15 años frente a 0.631 con el puntaje genómico, y un C-index de 0.705 para recaída tardía frente a 0.527, respectivamente. Un modelo alternativo basado solo en datos clínicos y moleculares también mejoró el rendimiento, aunque sin superar al modelo que incorporaba análisis patológico digital.

La estratificación mejorada permitió identificar subgrupos que tradicionalmente se consideran de bajo riesgo pero presentan un riesgo residual significativo. Por ejemplo, dentro del rango intermedio tratado únicamente con hormonoterapia, el ICM+ clasificó entre 9% y 14% de las pacientes como alto riesgo. En el extremo superior del puntaje genómico (≥26), el riesgo estimado por IA podía ascender hasta 56%. Estas diferencias sugieren oportunidades para personalizar aún más la indicación de terapias adyuvantes o la intensidad del seguimiento a largo plazo.

Los investigadores señalaron que las herramientas basadas en patología digital pueden integrarse con facilidad en los flujos clínicos, dado que las láminas histológicas convencionales pueden digitalizarse con escáneres habituales o incluso con dispositivos de captura de imagen de amplia disponibilidad, lo que reduciría la barrera tecnológica para su adopción.

En conjunto, los resultados muestran que el modelo ICM+ aporta una estratificación del riesgo de recaída clínicamente relevante y superior a los métodos genómicos tradicionales, especialmente para la predicción de recaídas tardías. Estos hallazgos podrían influir en futuras estrategias de personalización terapéutica en cáncer de mama temprano HR-positivo y HER2-negativo.

Fuente consultada:

Sparano JA, Wang V, Gray RJ, et al. Multimodal artificial intelligence (AI) models integrating image, clinical, and molecular data for predicting early and late breast cancer recurrence in TAILORx. Presentado en la San Antonio Breast Cancer Symposium (SABCS) 2025; del 09 al 12 de diciembre de 2025; San Antonio, Texas. Abstract GS1-08.