médical IA

Recidiva precoz del carcinoma hepatocelular tras radiofrecuencia: un modelo radiómico de RM anuncia un AUC de 0,909, medido sobre 34 pacientes y 12 recidivas

Publicado el 24 de agosto de 2026 · 14 min lectura

Siete autores del Cuarto Centro Médico del Hospital General del Ejército Popular de Liberación, en Pekín, extrajeron 11 320 características radiómicas de cinco secuencias de resonancia magnética en 169 pacientes con carcinoma hepatocelular tratados mediante ablación por radiofrecuencia entre 2015 y 2021, y entrenaron después tres clasificadores clásicos de aprendizaje automático para predecir la recidiva dentro del año. El mejor de ellos —un bosque aleatorio que combina 16 características seleccionadas por LASSO con tres variables clínicas— alcanza un AUC de 0,975 en entrenamiento y de 0,909 (IC 95 % 0,807–1,000) en el conjunto de test. Ese conjunto de test contiene 34 pacientes, de los cuales 12 recidivaron, procede del mismo centro, del mismo operador y de las mismas máquinas que el entrenamiento, y sobre él se compararon nueve modelos antes de que el ganador fuera presentado como el modelo.

El contexto

La ablación por radiofrecuencia es, junto con la resección y el trasplante, uno de los tres tratamientos curativos del carcinoma hepatocelular en estadio precoz. Se introduce un electrodo en el tumor bajo guía ecográfica o tomográfica, se calienta y destruye el tejido por necrosis térmica. El interés es evidente en pacientes cirróticos cuya reserva hepática impide la cirugía; el límite también lo es: el procedimiento deja el hígado en su sitio, con su enfermedad de base y su potencial carcinogénico, y la recidiva intrahepática es frecuente. En la cohorte descrita aquí, 61 de 169 pacientes, es decir el 36,1 %, recidivan dentro del año.

Distinguir de antemano a quienes van a recidivar tendría utilidad práctica: intensificar la vigilancia, plantear una resección en lugar de una ablación, u orientar hacia un protocolo adyuvante. Las herramientas existentes —clasificación BCLC, puntuación CLIP— son sistemas de estadificación pronóstica pensados para poblaciones, no para el individuo, y no incorporan ninguna información cuantitativa sobre la heterogeneidad tumoral.

La radiómica es la respuesta metodológica que se propone desde hace una década. El principio: en lugar de describir un tumor por los pocos atributos que un radiólogo nombra (tamaño, cápsula, realce), se calculan automáticamente miles de descriptores estadísticos de la intensidad de los vóxeles y de su disposición espacial —momentos de primer orden, matrices de coocurrencia, longitudes de racha, todo ello repetido tras filtrado por ondículas o por laplaciano de gaussiana. Se obtiene un vector de varios miles de dimensiones por tumor, del que se espera que capte una heterogeneidad biológica invisible al ojo. El problema estructural de la disciplina aparece de inmediato: miles de variables para unas pocas decenas de eventos, lo que hace la selección de características a la vez imprescindible y peligrosa.

El método

La cohorte. Estudio retrospectivo unicéntrico. De 486 pacientes cribados entre enero de 2015 y diciembre de 2021, 317 quedan excluidos (65,2 %): tratamiento antitumoral previo, quimioembolización o quimioterapia sistémica (n = 148), invasión macrovascular (n = 61), metástasis extrahepáticas (n = 68), otro cáncer (n = 19), artefactos de RM (n = 21). Quedan 169 pacientes, todos en estadio precoz según los criterios de inclusión: tumor único de 5 cm o menos, o varias lesiones de 3 cm o menos cada una. La cohorte es masculina en un 89,9 %, con edad mediana de 58 años y 73,9 % de portadores del virus de la hepatitis B. El diagnóstico se basa en la histología en el 37,9 % de los casos y en la imagen según las recomendaciones de la AASLD en el 62,1 % restante.

El procedimiento y la variable de resultado. Todas las ablaciones las realiza un único cirujano intervencionista con más de veinte años de experiencia, sistema Cool-tip de Medtronic, electrodo de 17 G, doce minutos por lesión. La recidiva precoz se define como cualquier recidiva dentro de los doce meses, juzgada por un radiólogo con más de treinta años de experiencia mediante imagen o histología, y validada en comité multidisciplinar. El seguimiento exige RM hepática y TC torácica al mes, y luego cada tres meses durante el primer año. La ablación es completa al mes en 161 de 169 pacientes (95,3 %); el margen de ablación es inferior a 5 mm en 43 pacientes (25,4 %), y ese parámetro por sí solo se asocia a la recidiva (OR 2,05; IC 95 % 1,01–4,16; p = 0,044). Los autores lo excluyen deliberadamente del modelo: es un dato posprocedimiento, no disponible en el momento en que se querría predecir.

La imagen y las características. RM de 3,0 teslas en dos máquinas —GE Discovery 750 (98 pacientes) y Siemens Skyra (71)— con cinco secuencias utilizadas: T2, difusión, y las fases arterial, portal y tardía de la adquisición dinámica con contraste. Los volúmenes tumorales se segmentan manualmente, corte a corte, con ITK-SNAP, por dos radiólogos, y los revisa después un sénior con más de veinte años de experiencia. La concordancia entre ambos operadores se mide: coeficiente de Dice medio de 0,85 ± 0,06 (rango 0,72–0,94), es decir, el solapamiento entre sus dos contornos. Tras normalización Z-score, remuestreo isotrópico a 1 mm y discretización con anchura de bin fija de 25, se extraen 2 264 características por secuencia y paciente, 11 320 en total, en una plataforma propietaria de United Imaging.

La selección. Cuatro filtros en cascada. Primero: reproducibilidad entre las dos segmentaciones, umbral de ICC superior a 0,75 — sobreviven 6 965 características, el 61,5 %. Segundo: umbral de varianza, 199 variables no informativas eliminadas. Tercero: prueba F univariante, 1 398 características retenidas. Cuarto: regresión LASSO, una regresión penalizada que fuerza a cero los coeficientes de las variables menos útiles, con elección del parámetro de penalización por validación cruzada de diez bloques — 16 características finales. Su estabilidad se comprueba con 1 000 remuestreos bootstrap: 14 de las 16 reaparecen en más del 80 % de las extracciones. Su procedencia se detalla (una de T2, una de difusión, siete de la fase arterial, tres de la portal, cuatro de la tardía) pero sus nombres exactos quedan relegados a una tabla suplementaria, fuera del texto del artículo.

Los modelos y la partición. Tres algoritmos clásicos —máquina de vectores de soporte, regresión logística, bosque aleatorio— aplicados a tres conjuntos de entradas: radiómico solo (16 variables), clínico solo (3 variables: alfafetoproteína superior a 20 µg/L, plaquetas iguales o superiores a 140 × 10⁹/L, y localización tumoral llamada «especial», es decir, en contacto con el diafragma, la vesícula, el tubo digestivo, las vías biliares, el hilio o la cápsula), e integrado (19 variables). No se emplea aprendizaje profundo alguno, pese a la etiqueta de «modelo de IA» del título. Partición aleatoria estratificada 80/20: 135 pacientes en entrenamiento (49 recidivas), 34 en test (12 recidivas). Un punto a su favor, enunciado explícitamente: normalización, cálculo de ICC, selección de características y optimización de hiperparámetros se realizan íntegramente dentro del conjunto de entrenamiento, y después el pipeline congelado se aplica sin cambios al test. Comparaciones de AUC mediante prueba de DeLong con corrección de Bonferroni sobre seis comparaciones preespecificadas, umbral p < 0,0083.

Los resultados

Las tres variables clínicas. En el análisis multivariante sobre el conjunto de entrenamiento salen tres predictores: alfafetoproteína superior a 20 µg/L (OR 1,24; IC 95 % 1,01–2,56; p = 0,004), plaquetas iguales o superiores a 140 × 10⁹/L, protectoras (OR 0,41; 0,17–0,98; p = 0,045) y, sobre todo, localización tumoral especial (OR 6,41; 2,03–20,24; p = 0,002). Este último es con diferencia el más fuerte, y resulta mecánicamente plausible: un tumor en contacto con el diafragma o con el hilio hepático es precisamente aquel en el que resulta más difícil obtener un margen de ablación suficiente.

Los modelos. Radiómico solo: AUC de 0,945 a 0,957 en entrenamiento, de 0,826 a 0,830 en test según el clasificador, sin diferencias significativas entre los tres. Clínico solo: de 0,744 a 0,790 en entrenamiento —y aquí una incoherencia no reconciliada en el artículo, ya que el resumen y el cuerpo del texto anuncian AUC de test de 0,688, 0,706 y 0,724 mientras la tabla 5 muestra 0,600, 0,661 y 0,665. Integrado: el bosque aleatorio sube a 0,975 (0,952–0,997) en entrenamiento y 0,909 (0,807–1,000) en test, con una puntuación de Brier de 0,143, una prueba de Hosmer-Lemeshow no significativa (p = 0,367) y beneficio neto en el análisis de curva de decisión entre el 15 % y el 70 % de probabilidad umbral.

La traducción clínica. En el umbral óptimo de Youden (0,42), el bosque aleatorio integrado da en el test una sensibilidad del 83,3 %, una especificidad del 90,9 %, un valor predictivo positivo del 83,3 %, un valor predictivo negativo del 90,9 % y una exactitud del 88,2 %. Esos porcentajes ofrecen una comodidad engañosa: traducidos a efectivos, significan que de 12 recidivas el modelo señaló 10 y falló 2, y de 22 no recidivas clasificó 20 correctamente y 2 mal. Todo el rendimiento anunciado se sostiene sobre cuatro errores. Si se proyectaran esas tasas sobre 1 000 pacientes con la misma prevalencia se obtendrían 292 recidivas detectadas, 58 no detectadas y 59 falsas alarmas —pero conviene ser claro sobre el estatuto de ese cálculo: es una extrapolación de un umbral ajustado sobre 12 eventos, no una medición. El límite superior del intervalo de confianza del AUC llega a 1,000, que es la manera estadística de decir que la muestra no permite decidir.

Lo que está bien

La disciplina contra la fuga de datos es explícita, detallada y rara en esta literatura. La fuga de datos (data leakage) es el modo de fallo endémico de la radiómica: cuando la selección de características se realiza sobre el conjunto completo antes de la partición, el conjunto de test ya ha servido para elegir las variables, y el AUC comunicado es mecánicamente optimista. Aquí los autores escriben con todas las letras que normalización, remuestreo, análisis de ICC, umbral de varianza, prueba F, LASSO y optimización de hiperparámetros quedan confinados al conjunto de entrenamiento, y que el pipeline se aplica después sin cambios. Añaden una verificación de estabilidad con 1 000 bootstraps, factores de inflación de la varianza todos inferiores a 5 y una corrección de Bonferroni anunciada de antemano sobre seis comparaciones. En ese punto concreto, el artículo lo hace mejor que la mayoría de lo que se publica en radiómica.

La segmentación se mide en lugar de afirmarse. Dos radiólogos segmentan de forma independiente, un tercero revisa, y la concordancia se cuantifica —Dice medio de 0,85, rango 0,72–0,94— en vez de declararse satisfactoria. El filtro de reproducibilidad que sigue no es cosmético: se descarta el 38,5 % de las características extraídas porque varían demasiado de un contorno a otro. Es exactamente el tipo de cifra que un lector necesita conocer, y que muchos artículos callan.

Las limitaciones las enuncian los propios autores, incluida la incómoda. La sección de limitaciones es larga y sincera. En ella se lee que el test interno «es limitado», que los intervalos de confianza amplios «reflejan inestabilidad de la estimación» y, sobre todo, que «la diferencia entre el AUC de entrenamiento (0,975) y el AUC de test (0,909) sugiere cierto grado de sobreajuste». Los autores señalan además que excluir al 65,2 % de los pacientes cribados introduce sesgo de selección, que una prevalencia de hepatitis B del 73,9 % limita la transposición a poblaciones occidentales donde dominan el alcohol y el virus C, y que una ventana de inclusión de siete años expone a una deriva temporal de las prácticas. Nada de esto queda enterrado.

Lo que está menos bien

Doce eventos de test, nueve modelos comparados y el ganador presentado como el modelo. Este es el problema central. Tres clasificadores multiplicados por tres conjuntos de entradas dan nueve modelos evaluados sobre el mismo conjunto de 34 pacientes; informar del mejor equivale a seleccionar sobre el test, lo que deja entrar por la ventana el optimismo que la disciplina contra la fuga había cerrado por la puerta. Y la diferencia solo es real para un clasificador: en el test, la máquina de vectores de soporte pasa de 0,826 con radiómica sola a 0,830 en integrado, y la regresión logística de 0,830 a 0,830. La afirmación de que «integrar las variables clínicas mejora la predicción» descansa por tanto enteramente sobre el bosque aleatorio, sobre 34 pacientes. A ello se suma una razón de eventos por variable desfavorable: 19 entradas para 49 recidivas de entrenamiento, es decir 2,6 eventos por variable donde la regla empírica clásica pide diez.

Ninguna validación externa, y una partición que no pone a prueba nada de lo que importa. El conjunto de test es un sorteo aleatorio del mismo centro: los mismos dos escáneres, el mismo cirujano intervencionista, el mismo radiólogo adjudicador, la misma población mayoritariamente masculina y VHB positiva. Ninguno de los factores que hacen fracasar a los modelos radiómicos en condiciones reales —cambio de máquina, de protocolo de adquisición, de operador, de epidemiología— se somete a prueba. Los autores indican haber verificado la estabilidad por subgrupo de fabricante y sugieren una armonización ComBat para el futuro, pero reconocen que la normalización y el remuestreo «pueden no bastar para eliminar todas las diferencias radiómicas ligadas al escáner». Es el sesgo de población y el desplazamiento de distribución en su forma más clásica, y quedan intactos.

Nada es reproducible, y el comparador reivindicado nunca se calculó. La extracción se hace en una plataforma propietaria, la «United Imaging Intelligent Scientific Research Platform System V1.0»; uno de los coautores está afiliado al Beijing United Imaging Intelligent Medical Technology Research Institute, es decir, al fabricante de esa herramienta. No se publica código, ni pesos, ni datos —la declaración de disponibilidad remite al «autor de correspondencia»— y los nombres de las 16 características finales solo figuran en una tabla suplementaria. Un modelo radiómico del que no se conoce ni el software de extracción ni la lista exacta de variables no puede replicarse ni auditarse. Por último, la discusión afirma una «capacidad discriminativa superior» a las puntuaciones CLIP y BCLC: no se calculó ningún AUC para CLIP ni para BCLC, y no se realizó comparación alguna con un radiólogo. Dos incoherencias numéricas menores —los AUC clínicos del resumen frente a los de la tabla 5, y las métricas del bosque aleatorio en el umbral por defecto frente a las del umbral 0,42— también siguen sin reconciliarse en el texto.

Lo que cambia

Para la comunidad investigadora. El protocolo de confinamiento del pipeline descrito aquí merece copiarse: es explícito, verificable y cuesta poco. Pero el artículo ilustra sobre todo que el rigor previo no compensa un test de 34 pacientes. El verdadero cuello de botella de la radiómica hepática no es la selección de características, sino la validación externa multicéntrica, y nadie la esquiva. Conviene anotar también, para leer la literatura: «modelo de IA» significa aquí LASSO más bosque aleatorio, sin aprendizaje profundo. La etiqueta se ha vuelto tan amplia que ya no informa sobre el método, y hay que ir a leer.

Para los clínicos. El modelo no cambia nada hoy —unicéntrico, retrospectivo, sin validación externa, no disponible. El resultado reutilizable está en otra parte, y es independiente del modelo: la localización tumoral especial multiplica por 6,4 el riesgo de recidiva al año, y un margen de ablación inferior a 5 mm lo duplica. Ambas observaciones convergen hacia un mecanismo simple y accionable —la dificultad de obtener un margen suficiente junto al diafragma, la vesícula o el hilio hepático— que corresponde a la indicación y a la técnica, no a un algoritmo. Un profesional que solo retuviera eso del artículo se habría llevado lo esencial.

Para los pacientes y el público. Dos ideas. La primera: tras una radiofrecuencia por carcinoma hepatocelular en estadio precoz, la recidiva dentro del año afecta aproximadamente a uno de cada tres pacientes, porque el tratamiento destruye el tumor pero deja en su sitio el hígado enfermo que lo produjo. La segunda, más general: predecir no es prevenir. Un modelo que identificara correctamente a los pacientes de riesgo solo modificaría su pronóstico si se supiera qué hacer con esa información —vigilar más de cerca, tratar de otro modo, añadir un adyuvante— y si un ensayo hubiera demostrado que esa conducta mejora los resultados. Ese ensayo no existe, y una cifra de AUC, por alta que sea, no lo sustituye.

Para saber más