Uso del análisis inteligente de imágenes para predecir la respuesta a la quimioterapia en el cáncer de hueso: una guía para pacientes sobre la radiómica en el osteosarcoma

Tabla de contenidos

• Puntos clave
• Comprender el osteosarcoma y su tratamiento
• El desafío de predecir la respuesta a la quimioterapia
• ¿Qué es la radiómica y cómo funciona?
• Cómo se realizó esta revisión de investigación
• Hallazgos clave: lo que muestran los estudios
• La resonancia magnética muestra una capacidad superior
• Implicaciones clínicas: lo que esto significa para los pacientes
• Limitaciones del estudio: lo que esta revisión no pudo demostrar
• Recomendaciones para pacientes y familias
• Preguntas frecuentes
• Información de la fuente

Puntos clave

• La radiómica basada en resonancia magnética predijo la respuesta a la quimioterapia neoadyuvante en el osteosarcoma con una precisión de hasta el 93.8 % y un AUC de 0.961 en un estudio.
• La radiómica extrae patrones analizados por computadora de las tomografías computarizadas, resonancias magnéticas o tomografías por emisión de positrones (PET) que pueden predecir una necrosis tumoral ≥90 % antes de la cirugía.
• La respuesta a la quimioterapia se evalúa actualmente después de la cirugía; la radiómica tiene como objetivo predecirla antes, lo que permite la personalización del tratamiento.
• La mayoría de los estudios de radiómica tenían muestras pequeñas de un solo centro, y el enfoque aún no está estandarizado para su uso clínico rutinario.
• La radiómica de PET/TC con aprendizaje automático mejoró la predicción, pero las características crudas de PET por sí solas tuvieron un mal desempeño en un estudio.

Comprender el osteosarcoma y su tratamiento

El osteosarcoma es el tumor óseo maligno primario más común y representa aproximadamente el 20 % de todos los tumores óseos malignos primarios. Afecta principalmente a niños y adolescentes, y la metáfisis (el extremo en crecimiento) de los huesos largos, como el fémur o la tibia, es el sitio típico donde se desarrolla el cáncer.

Las estrategias de tratamiento modernas han mejorado significativamente los resultados. La tasa de supervivencia actual a 5 años para los pacientes con osteosarcoma es ahora del 60 % al 70 %, una gran mejora con respecto a décadas pasadas. Este progreso se debe en gran medida al enfoque de tratamiento estándar, que combina tres componentes:

• Quimioterapia neoadyuvante (NAC): quimioterapia administrada antes de la cirugía para reducir el tumor
• Resección quirúrgica: extirpación quirúrgica del tumor
• Quimioterapia adyuvante posoperatoria: quimioterapia adicional administrada después de la cirugía para eliminar cualquier célula cancerosa restante

El estándar clínico actual utiliza regímenes de quimioterapia con múltiples agentes, que generalmente incluyen dosis altas de metotrexato (HD-MTX), ifosfamida (IFO), doxorubicina (ADM) y cisplatino (DDP). Estos medicamentos actúan en conjunto para destruir las células cancerosas, pero el tratamiento es intenso y puede causar efectos secundarios significativos.

Aquí es donde radica el problema: los pacientes responden de manera muy diferente al mismo régimen de quimioterapia. La tasa de respuesta, definida como el porcentaje de pacientes que logran al menos un 90 % de muerte de células tumorales (necrosis) después de la quimioterapia, varía de solo el 30 % al 60 %. Esto significa que un número considerable de pacientes soporta los duros efectos secundarios de la quimioterapia sin obtener el beneficio completo.

El desafío de predecir la respuesta a la quimioterapia

La sensibilidad a la quimioterapia es uno de los factores pronósticos más críticos en el osteosarcoma. El ensayo clínico de referencia EURAMOS-1 encontró que solo alrededor del 50 % de los pacientes logran una buena respuesta histológica, definida como un 90 % o más de necrosis tumoral después de la quimioterapia neoadyuvante. Esta tasa de respuesta tiene implicaciones importantes para el pronóstico, ya que guió las decisiones de tratamiento en el ensayo.

Actualmente, el método estándar para evaluar la respuesta a la quimioterapia se basa en examinar el tumor extirpado quirúrgicamente bajo un microscopio. Este enfoque, descrito por Huvos y colegas, clasifica a los pacientes en dos grupos:

• Buenos respondedores patológicos: pacientes con más del 90 % de necrosis tumoral
• Malos respondedores patológicos: pacientes con menos del 90 % de necrosis tumoral

La limitación fundamental de este enfoque es el momento. La respuesta solo se puede evaluar después de la cirugía, lo que significa que no puede guiar las decisiones sobre si continuar o cambiar la quimioterapia durante el tratamiento. Hasta la fecha, ningún marcador clínico, biológico o de imagen definitivo permite a los médicos predecir de manera confiable la respuesta a la quimioterapia con la suficiente antelación como para modificar las estrategias de tratamiento.

También es importante señalar que la "respuesta a la quimioterapia" abarca dos conceptos distintos en el osteosarcoma:

• Respuesta histológica: definida por la muerte de células tumorales medida después de la cirugía
• Respuesta radiológica: reflejada por cambios en las imágenes, como alteraciones en el tamaño o la densidad del tumor en las tomografías computarizadas o resonancias magnéticas

Las herramientas predictivas basadas en radiómica tienen como objetivo principal predecir la respuesta histológica utilizando imágenes previas al tratamiento. Esto cierra la brecha entre la evaluación radiológica temprana y los resultados patológicos quirúrgicos tardíos.

Los criterios radiológicos existentes, como RECIST (Criterios de Evaluación de Respuesta en Tumores Sólidos), son menos aplicables al osteosarcoma porque la presencia de matriz ósea complica la evaluación de los cambios en el tamaño del tumor. Esto dificulta determinar si un tumor está respondiendo simplemente midiendo sus dimensiones en una exploración.

¿Qué es la radiómica y cómo funciona?

La radiómica representa un cambio revolucionario en el análisis de imágenes médicas. En lugar de depender únicamente de la interpretación visual de un radiólogo, la radiómica utiliza algoritmos informáticos avanzados para extraer miles de mediciones cuantitativas de las imágenes médicas. Estas mediciones se dividen en varias categorías:

• Características morfológicas: características de la forma del tumor
• Características de intensidad (estadísticas de primer orden): propiedades estadísticas de los valores de los píxeles dentro del tumor
• Características de textura (características de segundo orden y de orden superior): patrones de disposición de los píxeles que revelan la heterogeneidad tumoral

Estas características se pueden extraer de múltiples modalidades de imagen, incluidas la tomografía computarizada (TC), la resonancia magnética (RM) y la tomografía por emisión de positrones con 18F-fluorodesoxiglucosa (PET/TC con 18F-FDG). La tecnología puede caracterizar con precisión la heterogeneidad tumoral y el microambiente tumoral, superando las limitaciones de subjetividad y reproducibilidad de la interpretación manual tradicional de imágenes.

Para comprender cómo funciona la radiómica, es útil conocer las herramientas de inteligencia artificial (IA) que la respaldan:

• Aprendizaje automático (AA): un subconjunto de la IA que utiliza algoritmos para aprender patrones a partir de datos y hacer predicciones sin estar programado explícitamente para cada tarea
• Aprendizaje profundo (AP): una rama especializada del AA que utiliza redes neuronales multicapa para extraer automáticamente características jerárquicas de datos complejos como las imágenes médicas
• Redes neuronales convolucionales (CNN): un tipo de algoritmo de aprendizaje profundo que utiliza núcleos convolucionales multicapa para extraer automáticamente características de la imagen. Este enfoque permite el análisis simultáneo de las características de textura microscópicas y los patrones morfológicos macroscópicos

Los métodos estadísticos convencionales tienen limitaciones significativas al procesar los datos no lineales y de alta dimensionalidad característicos de la radiómica. Su capacidad de extracción de características es limitada y tienen dificultades para reconocer patrones complejos. En contraste, los enfoques de aprendizaje profundo ofrecen dos ventajas distintas:

1. Eliminan el sesgo de selección inherente a la ingeniería manual de características
2. Mediante la optimización por retropropagación, pueden identificar directamente posibles biomarcadores de imagen a partir de los datos brutos de los píxeles

Los estudios de validación clínica han establecido que los modelos de predicción basados en aprendizaje profundo demuestran un rendimiento superior en la evaluación de la respuesta a la quimioterapia neoadyuvante en comparación con los métodos tradicionales.

Cómo se realizó esta revisión de investigación

Los investigadores siguieron las directrices PRISMA (Ítems de referencia para publicar revisiones sistemáticas y metaanálisis) para garantizar que su revisión fuera exhaustiva e imparcial. Así es como llevaron a cabo su búsqueda:

• Bases de datos consultadas: Tres bases de datos médicas principales
• Período de tiempo cubierto: Artículos publicados entre el 1 de enero de 2014 y el 31 de diciembre de 2024
• Términos de búsqueda utilizados: "osteosarcoma AND chemotherapy AND response AND prediction"
• Restricción de idioma: Solo artículos de investigación originales en inglés; se excluyeron los artículos de revisión

Dos investigadores independientes realizaron el cribado inicial basándose en los títulos y resúmenes. Los estudios potencialmente elegibles se sometieron después a una revisión del texto completo. Cualquier discrepancia entre los revisores se resolvió mediante discusión y consenso.

Los estudios se incluyeron si cumplían los tres criterios:

1. Osteosarcoma primario confirmado histológicamente
2. Evaluación de la predicción de la respuesta a la quimioterapia neoadyuvante
3. Respuesta patológica reportada (p. ej., ≥90 % de necrosis tumoral)

Los estudios se excluyeron si:

• No reportaban resultados relevantes
• No incluían específicamente el término «osteosarcoma»
• Limitaban la evaluación únicamente a imágenes posteriores a la quimioterapia
• Eran estudios pronósticos en lugar de predictivos
• Utilizaban enfoques no basados en imágenes

Para la extracción de datos, dos investigadores recopilaron la información de forma independiente mediante un formulario estandarizado. Este incluía el año de publicación, el diseño del estudio, los datos demográficos de los pacientes, los parámetros de imagen, la metodología de extracción de características radiómicas, la construcción del modelo predictivo y los resultados primarios. Cuando los datos faltaban o eran ambiguos, se intentó contactar con los autores originales para obtener aclaraciones.

Los investigadores también utilizaron la herramienta Radiomics Quality Score (RQS) para evaluar la calidad de los estudios. La evaluación se centró en varios componentes críticos, incluidos los protocolos de adquisición de imágenes (parámetros del equipo y estandarización del escaneo), los métodos de segmentación tumoral, las técnicas de extracción de características y los enfoques de construcción de modelos.

Finalmente, los autores realizaron un metaanálisis cuantitativo utilizando modelos de efectos aleatorios para comparar el rendimiento predictivo de las diferentes modalidades de imagen (RM y PET-TC). Calcularon la sensibilidad y la especificidad agrupadas, y el área bajo la curva ROC (AUC), una medida de qué tan bien una prueba distingue entre buenos y malos respondedores. La heterogeneidad del estudio (inconsistencia entre estudios) se evaluó mediante el estadístico I².

Hallazgos clave: qué muestran los estudios

La revisión identificó 24 estudios elegibles que evaluaban la radiómica para predecir la respuesta a la quimioterapia neoadyuvante en el osteosarcoma. Los estudios utilizaron varias modalidades de imagen, incluidas radiografías, TC, RM, gammagrafías de medicina nuclear y PET/TC. Estos son los hallazgos clave organizados por tipo de imagen.

Radiografía y RM combinadas

Un estudio de 2023 de Z. Luo y colegas, con 102 pacientes, combinó la radiómica de radiografías y RM con datos clínicos. El modelo que utilizó todos los datos combinados logró un AUC de 0.828. Los modelos individuales tuvieron el siguiente rendimiento: clínica más radiómica de radiografía alcanzó un AUC de 0.760, radiómica de radiografía sola 0.751, radiómica de RM sola 0.706 y la combinación de radiómica de radiografía más RM 0.796.

Radiómica basada en TC

F. Yang y colegas (2024) realizaron un estudio de dos centros con 225 pacientes utilizando radiómica de TC. Los modelos que combinaban características radiómicas y clínicas lograron valores de AUC de 0.78 en el conjunto de entrenamiento y de 0.75 en el conjunto de validación independiente.

D. Fu y colaboradores (2023) estudiaron a 18 pacientes y examinaron las características de la grasa periosteosarcoma en la TC. El índice de atenuación de la grasa (FAI) periosteosarcoma alcanzó un AUC de 0.950, mientras que la concentración de metotrexato a las 6 horas tuvo un AUC de 0.963, ambos indicando un excelente rendimiento predictivo para la respuesta a la quimioterapia.

L. Xu y colaboradores (2021) estudiaron a 157 pacientes y mejoraron la precisión de la predicción al combinar características radiómicas de TC tanto del área tumoral como de las áreas óseas no tumorales circundantes, utilizando múltiples técnicas de aprendizaje automático.

Imagenología de Medicina Nuclear (Tc-MIBI)

C. Wu y colaboradores (2019) estudiaron a 30 pacientes mediante gammagrafías con Tc-MIBI. Encontraron que la tasa de lavado tumoral (la rapidez con la que el marcador radiactivo sale del tumor) se correlacionó negativamente con la tasa de necrosis tumoral (r = −0.510, P = 0.004). Cuando se utilizó una tasa de lavado del 25 % o menos como umbral para predecir una buena respuesta a la quimioterapia, la sensibilidad fue del 100 %, la especificidad del 91.7 % y la exactitud del 95.8 %.

Radiómica Basada en Resonancia Magnética

Múltiples estudios basados en RM demostraron un sólido rendimiento predictivo:

• F. Zheng (2024), 106 pacientes: Un modelo de radiómica de aprendizaje profundo logró el mayor rendimiento de predicción con una exactitud del 93.8 % y un AUC de 0.961 en el conjunto de prueba.
• Y. Zhang (2024), 109 pacientes: Un modelo combinado que utilizó RM antes y después de la quimioterapia logró valores de AUC de 0.999 en el conjunto de entrenamiento y de 0.915 en el conjunto de prueba. Cabe destacar que los modelos posteriores a la quimioterapia tuvieron un mejor rendimiento que los modelos anteriores a la quimioterapia.
• Kanthawang Thanat (2024), 95 pacientes: El volumen tumoral mayor de 150 mL y el diámetro axial máximo mayor de 7.0 cm se identificaron como predictores independientes de mala respuesta (P = 0.025 y P = 0.045, respectivamente).
• J. Zhong (2022), 144 pacientes: Los modelos de radiómica lograron valores de AUC de 0.699, 0.759 y 0.784 en diferentes configuraciones de modelos.
• K.Y. Teo (2022), 15 pacientes: El aprendizaje automático combinado con RM multimodal mostró un excelente rendimiento en la predicción de la necrosis tumoral, con un AUC de 0.999 en el conjunto de entrenamiento y de 0.915 en el conjunto de prueba.
• Esha Baidya Kayal (2022), 35 pacientes (RM-IVIM): Los parámetros basales mostraron un AUC de 0.87, una sensibilidad del 86 % y una especificidad del 77 %. Después del primer ciclo de quimioterapia, el AUC aumentó a 0.96, con una sensibilidad del 86 % y una especificidad del 100 %.
• J. Dufau (2019), 69 pacientes: De estos pacientes, el 55.1 % (38 de 69) fueron buenos respondedores histológicos. Un modelo de máquina de vectores de soporte basado en datos radiómicos iniciales de RM logró un AUROC de 0.98, una sensibilidad del 100 % (IC del 95 % [100 %–100 %]) y una especificidad del 86 % (IC del 95 % [59.7 %–111 %]).
• G.J. Djuričić (2017), 22 pacientes: El análisis morfológico computacional utilizando algoritmos de matriz de co-ocurrencia de niveles de gris y fractales predijo la respuesta a la quimioterapia con un AUC de 0.82 y una exactitud del 82 %.

Técnicas Avanzadas de RM (DCE-RM e IVIM-DWI)

• Zeng Yan-Ni (2022), 25 pacientes (DCE-RM): Utilizando umbrales de 3.2 %/s (pendiente), 175 segundos (TTP) y 5.4 % (ER), la sensibilidad y la especificidad para predecir una buena respuesta a la quimioterapia fueron del 83.3 % y 92.3 %, 91.7 % y 69.2 %, y 84.6 % y 75.0 %, respectivamente.
• Xibin Xia (2022), 163 pacientes (DCE-RM + IVIM-DWI): Después de dos ciclos de tratamiento, los valores de Ktrans, Kep y Ve fueron significativamente más bajos en el grupo de respuesta completa/respuesta parcial que en el grupo de enfermedad estable/enfermedad progresiva. Mientras tanto, los valores de D, ADC y f fueron significativamente más altos en los buenos respondedores. Los análisis de sangre para la fosfatasa alcalina (ALP) y la lactato deshidrogenasa (LDH) se correlacionaron positivamente con los valores de Ktrans, Kep y Ve, pero se correlacionaron negativamente con los valores de D, ADC y f.
• A. Bouhamama (2022), 176 pacientes en 3 centros: El modelo combinado de DCE-RM e IVIM-DWI logró valores de AUC de 0.95 y 0.97, con una sensibilidad del 91 % y una especificidad del 92 %.
• L. Zhang (2021), 102 pacientes (DCE-RM): Los modelos que combinaron factores de riesgo clínicos (como el estadio quirúrgico) con características radiómicas superaron a la radiómica sola. El modelo combinado logró una exactitud de predicción de 0.91 en el conjunto de entrenamiento y de 0.90 en el conjunto de prueba, con valores de AUC de 0.94 y 0.95, respectivamente.
• M.M. Saleh (2020), 53 pacientes (RM multiparamétrica con DWI): Este estudio destacó la importancia de utilizar RM multiparamétrica, especialmente la imagen ponderada en difusión (DWI) y los mapas del coeficiente de difusión aparente (ADC), para predecir la sensibilidad a la quimioterapia. También señaló las limitaciones de los métodos de evaluación tradicionales basados únicamente en el cambio del volumen tumoral.

Radiómica basada en PET/TC

• B.C. Kim (2021), 52 pacientes: La precisión de la prueba de respuesta a la quimioterapia utilizando características de textura de imagen fue de 0.83, y la precisión de la prueba de metástasis fue de 0.76. La combinación de datos de imagen con datos genómicos (radiogenómica) mejoró los resultados: la mayor precisión de la prueba para la respuesta a la quimioterapia con AUC_max, KI67 y EZRIN fue de 0.85 con un AUC de 0.89. La precisión de la predicción de metástasis aumentó un 10 % utilizando datos de radiogenómica.
• Kim J (2021), 105 pacientes: Si bien un modelo de predicción basado en características de textura de PET iniciales con aprendizaje automático tradicional estimó malos resultados, una red CNN 2D que utilizaba imágenes de FDG PET iniciales pudo predecir la respuesta al tratamiento antes de la quimioterapia. Esto sugiere que el aprendizaje profundo en imágenes de PET puede ayudar a decidir si se debe realizar quimioterapia neoadyuvante.
• H. Song (2019), 35 pacientes: El volumen tumoral metabólico (MTV) se identificó como el mejor parámetro para predecir la respuesta a la quimioterapia, con un AUC de 0.918 y un valor de p inferior a 0.0001, lo que indica una precisión predictiva muy alta.
• S.Y. Jeong (2019), 70 pacientes: Las características de PET iniciales por sí solas (SUVmax, TLG, MTV, entropía de primer orden y entropía de la matriz de co-ocurrencia de niveles de gris) tuvieron AUC deficientes que oscilaron entre 0.536 y 0.553. Sin embargo, las características de aprendizaje automático que utilizaban SVM lineal, bosque aleatorio y aumento de gradiente lograron AUC de 0.72, 0.78 y 0.82, respectivamente, lo que demuestra que el aprendizaje automático mejoró drásticamente el poder predictivo.
• I. Lee B (2018), 62 pacientes: Este estudio comparó la gammagrafía ósea con Tc-MDP y la FDG PET/TC, mostrando que cada método de imagen (con características como la relación T/N y SUVmax) ofrecía diferentes ventajas para predecir la respuesta.
• J.C. Davis (2018), 34 pacientes: El SUVmax en imágenes de rutina a las 5 o 10 semanas, y el cambio porcentual en el SUVmax desde el inicio hasta la semana 10, se identificaron como predictores metabólicos de la respuesta histológica.
• B.H. Byun (2015), 34 pacientes (FDG PET/TC de doble fase): Utilizando criterios combinados de cambio porcentual de SUV y valores del índice de retención (RI), las precisiones de predicción fueron del 81 %, 77 % y 77 % para varias combinaciones. La respuesta histológica después de la quimioterapia neoadyuvante se pudo predecir utilizando el RImedio antes del inicio del tratamiento, y el uso combinado de los valores de SUV y RI proporcionó una mejor predicción.

La resonancia magnética muestra una capacidad superior

Una conclusión clave de esta revisión es que la resonancia magnética demuestra una capacidad superior en la integración de datos multimodales y la extracción de características de alto rendimiento. Esto tiene sentido porque la resonancia magnética proporciona un excelente contraste de tejidos blandos, lo que permite una visualización detallada del tumor dentro del hueso y los tejidos circundantes.

Los modelos con mejor rendimiento en toda la revisión se basaron principalmente en resonancia magnética. Por ejemplo, el modelo de radiómica de aprendizaje profundo de F. Zheng logró una precisión del 93.8 % y un AUC de 0.961, mientras que el modelo de resonancia magnética combinado antes y después de la quimioterapia de Y. Zhang alcanzó un AUC de 0.999 en el entrenamiento y de 0.915 en las pruebas. El estudio de DCE-MRI de A. Bouhamama en tres centros logró valores de AUC de 0.95 y 0.97.

La radiómica basada en PET/TC también mostró ser prometedora, particularmente cuando se combinó con enfoques de aprendizaje automático o aprendizaje profundo. El estudio de S.Y. Jeong demostró que, si bien las características brutas de PET tuvieron un rendimiento deficiente (AUC 0.536–0.553), la aplicación de algoritmos de aprendizaje automático impulsó el rendimiento drásticamente (AUC 0.72–0.82). Esto resalta un principio crucial: no solo importa la modalidad de imagen, el enfoque analítico es igualmente importante.

Implicaciones clínicas: qué significa esto para los pacientes

El valor clínico de la predicción de la respuesta a la quimioterapia abarca tres dimensiones clave:

1. Optimización del tratamiento. Los modelos predictivos precisos permitirían estrategias terapéuticas verdaderamente personalizadas. Para los pacientes con una buena respuesta prevista a la quimioterapia, el tratamiento se puede optimizar, por ejemplo, manteniendo regímenes eficaces para evitar una escalada innecesaria. Para los pacientes con una mala respuesta prevista, se les podría cambiar rápidamente a terapias alternativas, como agentes dirigidos o inmunoterapia, que actualmente se están investigando en ensayos clínicos.

2. Manejo pronóstico. Las herramientas de predicción fiables facilitarían la identificación temprana de poblaciones de pacientes de alto riesgo, lo que permitiría un seguimiento más intensivo e intervenciones clínicas oportunas. Por ejemplo, el ensayo SARC024 ha utilizado herramientas predictivas para estratificar a los pacientes en grupos de terapia novedosa según la resistencia prevista, acelerando el proceso de desarrollo de fármacos.

3. Traslación a la investigación. Los sistemas de predicción sólidos proporcionan criterios de estratificación valiosos para el diseño de ensayos clínicos. Esto significa que los futuros ensayos clínicos se pueden diseñar de manera más eficiente, con los pacientes adecuados asignados a los grupos de tratamiento correctos desde el principio.

La naturaleza no invasiva de la radiómica es otra ventaja importante. A diferencia de la biopsia, que requiere un procedimiento invasivo, las imágenes médicas se pueden repetir durante toda la terapia sin riesgo adicional para el paciente. Esto permite un seguimiento dinámico de cómo está respondiendo el tumor y el ajuste de los planes de tratamiento en tiempo real.

Limitaciones del estudio: lo que esta revisión no pudo demostrar

Si bien los resultados son alentadores, la revisión destaca varias limitaciones importantes que los pacientes deben comprender:

• Tamaños de muestra pequeños: Muchos de los estudios incluidos tenían poblaciones de pacientes pequeñas. Por ejemplo, varios estudios tenían menos de 35 pacientes, lo que limita el poder estadístico y la generalización de sus hallazgos.
• Diseños de un solo centro: La mayoría de los estudios se realizaron en una sola institución, lo que plantea dudas sobre si los resultados se mantendrían en diferentes hospitales con diferentes equipos y protocolos de imagen.
• Heterogeneidad entre estudios: Los estudios variaron significativamente en cuanto a parámetros de imagen, métodos de segmentación, técnicas de extracción de características y algoritmos de aprendizaje automático. Esta heterogeneidad complica las comparaciones directas y el metaanálisis.
• Falta de estandarización: Actualmente no existe un estándar uniforme sobre cómo se deben extraer y analizar las características radiómicas, lo que puede generar problemas de reproducibilidad.
• Variabilidad en la selección de características: La revisión señaló que los métodos de selección de características y las estrategias de validación variaron considerablemente entre los estudios, lo que afecta la precisión de la predicción.
• Distinción entre predictivo y pronóstico: La revisión distinguió cuidadosamente entre estudios predictivos (que pronostican la respuesta al tratamiento) y estudios pronósticos (que pronostican los resultados generales). Solo se incluyeron estudios predictivos, pero esta distinción puede ser difícil de mantener en la práctica.

También es importante señalar que, si bien la radiómica muestra un excelente potencial, estas herramientas aún no están listas para el uso clínico rutinario. Deben considerarse enfoques en investigación que pueden complementar, pero aún no reemplazar, la evaluación histopatológica estándar después de la cirugía.

Recomendaciones para pacientes y familias

Si usted o un ser querido se enfrenta al tratamiento del osteosarcoma, estas son algunas conclusiones prácticas de esta investigación:

1. Pregunte sobre la evaluación de la respuesta basada en imágenes. Si bien el estándar de atención médica sigue siendo la evaluación histopatológica después de la cirugía, algunos centros oncológicos están comenzando a utilizar análisis de imágenes avanzados para monitorear la respuesta durante la quimioterapia neoadyuvante.
2. Participe en ensayos clínicos cuando sea posible. Muchos de los enfoques de aprendizaje automático y radiómica discutidos en esta revisión se están perfeccionando en ensayos clínicos. Participar en la investigación puede darle acceso a herramientas predictivas de vanguardia y, al mismo tiempo, contribuir al progreso científico.
3. Comprenda los criterios de respuesta. Cuando su equipo médico habla de una "buena respuesta" a la quimioterapia, generalmente se refiere a un 90 % o más de necrosis tumoral observada bajo el microscopio después de la cirugía. Este es un factor pronóstico clave.
4. Pregunte sobre la RM frente a la PET/TC. Según esta revisión, la radiómica basada en RM parece ofrecer el mayor poder predictivo, pero la PET/TC con análisis de aprendizaje automático también muestra potencial. El equipo y la experiencia de su centro influirán en qué enfoque es más factible.
5. Hable de las limitaciones con honestidad. Ninguna prueba de imagen ni modelo radiómico puede predecir perfectamente la respuesta a la quimioterapia. El objetivo de estas herramientas es proporcionar información adicional para guiar las decisiones de tratamiento, no reemplazar el juicio clínico.
6. Considere buscar atención en un centro especializado en sarcomas. El osteosarcoma es un cáncer poco frecuente, y los centros con un alto volumen de pacientes tienen más probabilidades de tener acceso a capacidades avanzadas de análisis de imágenes y a ensayos clínicos.

La conclusión: la radiómica representa una frontera apasionante en la atención del osteosarcoma. La capacidad de predecir la respuesta a la quimioterapia a partir de una simple RM o tomografía por emisión de positrones (PET), antes de administrar cualquier tratamiento, podría evitar a los pacientes terapias ineficaces, guiar planes de tratamiento más personalizados y, en última instancia, mejorar los resultados de supervivencia. Si bien se necesita más investigación para estandarizar estos enfoques y validarlos en poblaciones multicéntricas más grandes, la evidencia hasta la fecha es muy alentadora.

Preguntas frecuentes

¿Qué es la radiómica y cómo puede ayudar en el osteosarcoma?

La radiómica utiliza algoritmos informáticos para extraer información detallada de las imágenes médicas que el ojo no puede ver, como los patrones de textura. En el osteosarcoma, la radiómica tiene como objetivo predecir si la quimioterapia administrada antes de la cirugía logrará una buena respuesta, es decir, al menos un 90 % de muerte de células tumorales. Esto podría ayudar a personalizar el tratamiento y evitar terapias ineficaces.

¿Puede la radiómica predecir la respuesta antes de la cirugía, mientras la quimioterapia aún está en curso?

Sí. El objetivo es predecir el resultado patológico quirúrgico diferido mediante imágenes obtenidas antes o durante la quimioterapia. Un estudio encontró que la resonancia magnética después del primer ciclo de quimioterapia mejoró la predicción en comparación con antes del tratamiento. Esto permite un ajuste más temprano del tratamiento, a diferencia del método estándar que solo evalúa el tumor después de que se extirpa quirúrgicamente.

¿Está la radiómica lista para el uso clínico rutinario en el osteosarcoma?

No, todavía no. La revisión afirma que estas herramientas deben considerarse en fase de investigación. Pueden complementar, pero no reemplazar, la evaluación histopatológica estándar después de la cirugía. Las limitaciones incluyen tamaños de muestra pequeños, diseños de un solo centro y falta de estandarización. Es importante hablar con su equipo médico sobre si el análisis de imágenes avanzado está disponible y es adecuado.

¿Cuáles son las principales limitaciones de la investigación sobre radiómica para el osteosarcoma?

Muchos estudios tuvieron un número pequeño de pacientes, por ejemplo, menos de 35 pacientes en varios. La mayoría fueron de un solo centro, por lo que los resultados podrían no aplicarse en otros lugares. No hubo un estándar uniforme para extraer y analizar las características radiómicas, lo que causa problemas de reproducibilidad. La revisión aconseja que ninguna herramienta de imagen reemplaza todavía el juicio clínico.

¿Debo preguntarle a mi médico sobre la radiómica o el análisis de imágenes avanzado durante el tratamiento?

Puede preguntar si su centro utiliza la evaluación de la respuesta basada en imágenes durante la quimioterapia neoadyuvante. Algunos centros oncológicos están comenzando a utilizar el análisis de imágenes avanzado para monitorizar la respuesta. Sin embargo, el estándar de atención médica sigue siendo examinar el tumor extirpado quirúrgicamente después de la cirugía. Participe en ensayos clínicos si es posible, ya que estas herramientas se están perfeccionando en entornos de investigación.

¿Debo obtener una segunda opinión sobre mi plan de tratamiento para el osteosarcoma antes de comenzar la quimioterapia neoadyuvante?

Para el osteosarcoma, la respuesta a la quimioterapia se conoce actualmente solo después de la cirugía, cuando se examina la muerte de las células tumorales bajo un microscopio. Dado que aproximadamente el 30–60 % de los pacientes no logran una buena respuesta (90 % o más de necrosis tumoral), una segunda opinión antes de comenzar la quimioterapia neoadyuvante puede ser valiosa. Un experto puede revisar sus imágenes y discutir si las herramientas de investigación basadas en radiómica, que aún no son estándar, podrían sugerir enfoques alternativos como la terapia dirigida o los ensayos clínicos. El análisis basado en resonancia magnética muestra un fuerte potencial predictivo en la investigación. Diagnostic Detectives Network proporciona segundas opiniones expertas independientes.

Información de la fuente

Original article title: Radiomics for predicting sensitivity to neoadjuvant chemotherapy in osteosarcoma: current status and advances.

Authors: Zhang P, Yao W, Li Z, Fan Y, Du X, Wang B, Zhang F, Hou J, Su Q.

Affiliations: Henan Cancer Hospital / Affiliated Cancer Hospital of Zhengzhou University, Zhengzhou, China; Zhengzhou University, Zhengzhou, China; Zhoukou Central Hospital, Zhoukou, China

Journal: Oncology Reviews, Volume 19, Article 1633211

Publication date: October 17, 2025

DOI: 10.3389/or.2025.1633211

Study type: Systematic review with meta-analysis

Este artículo, redactado de forma comprensible para el paciente, se basa en investigaciones revisadas por pares. El artículo original se publicó bajo la Licencia de Atribución de Creative Commons (CC BY), que permite compartir y adaptar con el crédito apropiado a los autores originales y la fuente. Este resumen para pacientes se creó para hacer que los hallazgos de la investigación sean más accesibles para los pacientes, las familias y los cuidadores. No pretende ser un consejo médico; consulte a su equipo de atención oncológica para obtener orientación específica para su situación.