"Un nuevo estudio destaca la utilidad del análisis histopatológico basado en aprendizaje profundo para la estratificación de riesgo en pacientes con cáncer colorrectal. La investigación demuestra que las estructuras linfoides terciarias actúan como biomarcadores clave, aportando información pronóstica esencial y optimizando la selección de quimioterapia adyuvante para una mayor personalización terapéutica."
Antecedentes Aproximadamente el 20% de los pacientes con cáncer colorrectal (CCR) en estadio II experimentan recurrencia tumoral a pesar del tratamiento quirúrgico estándar. El análisis histopatológico ofrece potencial para la estratificación del riesgo posquirúrgico y para guiar decisiones sobre quimioterapia adyuvante (QAD). El objetivo de este estudio fue utilizar aprendizaje profundo para extraer biomarcadores tisulares explicables a partir de imágenes de láminas completas. Métodos y hallazgos En este estudio de cohorte retrospectivo, desarrollamos y validamos SurvFinder, un marco de aprendizaje profundo interpretable diseñado para identificar de manera autónoma biomarcadores de riesgo basados en tejido a partir de láminas teñidas con hematoxilina y eosina (H&E). El sistema busca apoyar una estratificación de riesgo individualizada y explorar asociaciones con los resultados del tratamiento. El estudio incluyó 6,950 láminas H&E de 1,604 pacientes con CCR en estadio II, distribuidos en cuatro cohortes independientes en China. Los pacientes fueron reclutados entre 2012 y 2018 y seguidos durante un mínimo de 24 meses. El resultado primario fue la supervivencia libre de recurrencia (RFS). Nuestros análisis identificaron las estructuras linfoides terciarias (SLT) como características pronósticas clave en el CCR en estadio II. La integración multivista de las características de las SLT mediante SurvFinder demostró de forma consistente una precisión predictiva y pronóstica superior en los cuatro conjuntos de datos multicéntricos (AUROC con intervalo de confianza del 95%: 0.827 [0.789,0.864], 0.805 [0.749,0.860], 0.805 [0.748,0.861] y 0.712 [0.621,0.804]), superando los parámetros clínicos pronósticos tradicionales (razón de riesgos [HR]: 8.23, IC 95%: 5.43–12.47; p < 0.001). Empleando métodos de inteligencia artificial explicable (XAI), aseguramos la transparencia del modelo y se identificaron características clave de las SLT—como su localización en la periferia tumoral y su grado de madurez—como factores significativos que influyen en el pronóstico y en la eficacia de la terapia adyuvante. La principal limitación de este estudio es su diseño retrospectivo sin validación prospectiva ni aplicación clínica en entornos reales. Conclusiones Estos resultados destacan el potencial del análisis histopatológico basado en aprendizaje profundo para una estratificación automatizada del riesgo en pacientes con CCR en estadio II. En particular, nuestros hallazgos respaldan la relevancia de las SLT como biomarcador histológico con posibles implicaciones para personalizar las decisiones sobre la QAD.