Operar o no un cáncer de páncreas: lo que un modelo multimodal TC + datos clínicos aprende realmente a triar

Un equipo de la Universidad de Basilea, el Kantonsspital Aarau y el Royal Free Hospital de Londres entrena un modelo de deep learning que fusiona la TC 3D con contraste y 17 variables clínicas para clasificar a 159 pacientes con adenocarcinoma ductal de páncreas en las tres categorías de resecabilidad NCCN. El AUC alcanza 0,86 en validación cruzada interna y 0,86 en una cohorte externa independiente de 52 pacientes de Aarau — una validación externa rara en este campo. Pero la verdad de referencia es solo el consenso de un comité de tumores multidisciplinar, la cohorte es pequeña y enteramente suiza, y ningún estudio compara el modelo con radiólogos en condiciones reales.

El contexto

El adenocarcinoma ductal de páncreas (PDAC) es uno de los cánceres más letales: representa más del 90 % de los cánceres de páncreas, con una supervivencia a cinco años inferior al 10 %. La única opción curativa es la resección quirúrgica completa (la llamada R0), pero menos del 20 % de los pacientes son elegibles. Decidir quién puede operarse — la « resecabilidad » — depende sobre todo de la relación entre el tumor y los grandes vasos peripancreáticos visibles en la TC con contraste: la arteria mesentérica superior (AMS), la vena mesentérica superior (VMS), la vena porta y el tronco celíaco. El marco estadounidense NCCN define tres categorías: resecable de entrada, borderline (al límite) y localmente avanzado. Lo que está en juego es serio: un paciente borderline recibe en general quimioterapia neoadyuvante y luego cirugía; uno localmente avanzado pasa a un tratamiento no quirúrgico.

El problema es que este juicio es poco reproducible: la concordancia entre observadores sobre la resecabilidad suele quedar por debajo del 70 %, incluso con criterios estandarizados. De ahí la idea de automatizar la lectura. Los trabajos anteriores se limitaban a segmentar órganos o a predecir a partir de la sola imagen, sin integrar las variables clínicas que pesan en el comité de tumores (comorbilidades, marcadores como el CA 19-9). Muchos exigían además una máscara de segmentación en el momento de la inferencia, lo que complica el despliegue. Este artículo propone un marco de extremo a extremo que combina la imagen y el contexto clínico y ya no necesita máscara una vez entrenado.

El método

El núcleo del modelo es un Swin-UNETR: una red codificador-decodificador cuyo codificador es un transformer — la arquitectura que procesa un dato ponderando la importancia relativa de sus elementos — de « ventanas desplazadas », adaptado a la 3D y especialmente bueno para delimitar finas estructuras vasculares. Durante el entrenamiento, el decodificador aprende una tarea auxiliar de segmentación de 16 clases anatómicas (páncreas, tumor, vena porta, VMS, AMS, tronco celíaco, aorta, vena cava, arterias hepáticas, conducto pancreático dilatado, colédoco…). Esta supervisión obliga al codificador a producir representaciones « conscientes de los vasos ». El cuello de botella del codificador emite un vector de 256 dimensiones.

En paralelo, 17 variables clínicas rutinarias (edad, sexo, IMC, índice de comorbilidad de Charlson, puntuación ASA, diabetes, tabaco, alcohol, CA 19-9 inicial, su variación y su valor tras la neoadyuvancia, CEA, glucemia, HbA1c, bilirrubina, grado histológico, estado neoadyuvante) pasan por un pequeño perceptrón multicapa (MLP) que produce un vector de 32 dimensiones. Ambos vectores se concatenan en una representación de 288 dimensiones, y luego una cabeza de clasificación predice las tres categorías NCCN. El entrenamiento sigue un objetivo multitarea dinámico: el peso relativo de la segmentación y la clasificación se ajusta automáticamente según el Dice (la tasa de solapamiento entre la segmentación predicha y la real) del tumor — primero se aprende la anatomía, luego se bascula hacia la decisión. Detalle importante para la práctica: las máscaras solo sirven para el entrenamiento; en la inferencia, el modelo predice la resecabilidad sin necesidad de segmentar nada. Las TC se remuestrean a 1 mm isotrópico, se recortan a 160×160×160 vóxeles, se normalizan, y el codificador se preentrena con el conjunto abdominal público BTCV.

La cohorte principal cuenta con 159 pacientes con PDAC confirmado histológicamente, del Hospital Universitario de Basilea y del hospital St. Clara (imagen procedente de tres centros): 85 resecables de entrada (53,5 %), 47 borderline (29,5 %), 27 localmente avanzados (17 %). Las etiquetas NCCN son las decididas en el comité de tumores multidisciplinar, y luego revisadas por un médico independiente. Una cohorte externa de 52 pacientes del Kantonsspital Aarau (28/14/10), nunca usada para el desarrollo, sirve de prueba de generalización. La evaluación interna emplea una validación cruzada anidada y estratificada de cinco pliegues: el 20 % de los datos se aparta como test en cada pliegue externo, y el resto sirve para el entrenamiento y el ajuste. El rendimiento se lee en AUC (área bajo la curva ROC: la probabilidad de que el modelo separe correctamente dos clases), en F1 macro (media equilibrada entre precisión y exhaustividad en las tres clases) y en exactitud.

Los resultados

En validación cruzada interna, el modelo multimodal alcanza un AUC de 0,86, un F1 macro de 0,79 y una exactitud de 0,85. En la cohorte externa de Aarau se mantiene: AUC 0,86, F1 macro 0,81, exactitud 0,87 — una estabilidad inusual entre centros. La segmentación auxiliar alcanza un Dice de 0,82 para el páncreas, 0,71 para el tumor y 0,67 para los grandes vasos: imperfecta, pero suficiente para guiar al codificador. El modelo supera a los dos comparadores reimplementados por los autores: un enfoque basado en segmentación y medidas geométricas (Viviers, AUC 0,79 en interno) y un transformer sensible a la textura (TAT, 0,83). Las ablaciones son reveladoras: el modelo de solo imagen obtiene 0,82, el de solo datos clínicos apenas 0,74, y un análisis de « knockout » (se sustituye una modalidad por su media) muestra que lo esencial de la señal viene de la imagen (0,83 sin lo clínico, 0,77 sin la imagen). La imagen porta el diagnóstico, lo clínico lo afina.

La traducción clínica es aquí decisiva, porque las tres clases no son ni igual de fáciles ni igual de graves de confundir. El F1 por clase es de 0,83 para los resecables, 0,78 para los borderline, pero cae a 0,70 para los localmente avanzados — la clase más rara (27 casos en interno, 10 en externo). Y es precisamente la frontera de mayores consecuencias: clasificar por error a un paciente localmente avanzado como resecable puede enviarlo a una cirugía inútil y mórbida; lo contrario puede negarle una operación potencialmente curativa. Con una exactitud de 0,85, alrededor de uno de cada siete pacientes se clasifica mal — una cifra que hay que comparar con una concordancia humana ella misma a menudo inferior al 70 %, pero que prohíbe todo uso autónomo. Los autores añaden una verificación de sentido común: a partir de las segmentaciones predichas recuperan ángulos de contacto tumor-vaso coherentes con las definiciones NCCN (contacto arterial ≥ 180° ↔ localmente avanzado), lo que sugiere que el modelo aprendió una geometría plausible y no un atajo.

Lo que está bien

Una validación externa, algo raro. La mayoría de los modelos de IA en imagen nunca se prueban fuera de su centro de origen — y es ahí donde se derrumban. Aquí, el rendimiento se mantiene idéntico (AUC 0,86) en una cohorte de Aarau nunca vista en el entrenamiento, con una validación cruzada anidada correctamente diseñada (test apartado del ajuste de hiperparámetros). Detalle notable: la cohorte externa tenía datos clínicos completos, sin imputación, lo que indica que la imputación aplicada al entrenamiento no introdujo un sesgo detectable.

Una inferencia sin máscara, pensada para la clínica. La segmentación sirve de andamiaje pedagógico durante el entrenamiento y luego desaparece: el modelo final predice la resecabilidad directamente a partir de la TC, sin paso manual de segmentación. Es exactamente el obstáculo de despliegue que arrastraban los pipelines anteriores. El objetivo multitarea adaptativo (bascular de la anatomía hacia la decisión a medida que progresa el Dice tumoral) es una idea simple y bien ablacionada.

Comparadores y ablaciones honestos. Los autores no se limitan a mostrar su mejor cifra: reimplementan dos métodos competidores, prueban solo imagen, solo clínica, y el « knockout » de cada modalidad. Se ve exactamente de dónde viene la señal (la imagen), y se constata que la fusión por simple concatenación basta — los mecanismos de atención cruzada más complejos no aportaban nada y desestabilizaban el entrenamiento con este tamaño de cohorte. Código público, licencia CC BY 4.0.

Lo que está menos bien

La verdad de referencia es una decisión humana, no un resultado quirúrgico. Es la limitación más profunda. Las etiquetas NCCN son las fijadas en el comité de tumores, no confirmadas por la cirugía ni la anatomía patológica (resección R0 efectiva). El modelo aprende, pues, a reproducir lo que diría un comité de tumores — con sus sesgos y, mecánicamente, una parte del desacuerdo entre observadores del 30 % que los propios autores invocan para justificar el estudio. Una herramienta que imita un consenso imperfecto no puede, por construcción, hacerlo mejor que ese consenso; sobre todo puede homogeneizarlo. Es un modo de fallo de tipo comparador sesgado: la referencia no es un hecho duro sino un juicio.

Una cohorte pequeña y geográficamente estrecha. 159 + 52 pacientes, todos suizos, con una clase « localmente avanzado » reducida a 27 y 10 casos — de ahí intervalos amplios y un F1 de 0,70 en esa clase crítica. La validación « externa » de Aarau comparte el mismo país, las mismas recomendaciones y equipos parecidos: el desplazamiento de dominio es pequeño. Nada dice que el modelo se sostendría con escáneres de otro continente, otros protocolos de contraste o una población distinta. Es un modo de fallo de tipo métrica engañosa acoplado a un sesgo de población: un AUC macro alto sobre tres clases desequilibradas suaviza la debilidad en la minoría que más importa.

Ningún estudio lector, ninguna evaluación prospectiva. El artículo no compara el modelo con radiólogos o cirujanos en condiciones estandarizadas, no mide si realmente reduce el desacuerdo entre observadores, y sigue siendo retrospectivo. Las máscaras de segmentación son semiautomáticas (revisadas por hasta cinco médicos), y el Dice vascular es de solo 0,67: las célebres representaciones « conscientes de los vasos » se apoyan en una delimitación imperfecta de los propios vasos. La explicabilidad se aplaza a trabajos futuros. Dicho de otro modo, se tiene una prueba de concepto sólida, no una herramienta validada para la decisión.

Lo que cambia

Para la comunidad de investigación, el artículo es una demostración nítida de que fusionar una imagen 3D « consciente de los vasos » con variables clínicas estructuradas, con inferencia sin máscara, es factible y generaliza entre dos centros suizos. La receta (supervisión anatómica auxiliar + ponderación multitarea adaptativa + fusión simple) es reproducible y el código es abierto. El siguiente paso obligado es doble: una validación multicontinental con escáneres heterogéneos, y sobre todo un anclaje de la verdad de referencia en resultados quirúrgicos y anatomopatológicos reales, no solo en el veredicto de un comité.

Para los clínicos, hoy nada cambia en la práctica. En el mejor de los casos, se vislumbra una futura ayuda a la estandarización de la lectura de la resecabilidad — útil precisamente porque la concordancia humana es débil — pero antes hará falta un estudio lector prospectivo que muestre que reduce los errores sin introducir otros nuevos, en particular en la frontera borderline / localmente avanzado donde se juegan las decisiones operatorias.

Para los pacientes y el público, el mensaje es templar el entusiasmo: « AUC 0,86 » no significa « la IA decide a quién operar ». Significa que un modelo, en una población suiza restringida, reproduce bastante bien la clasificación de un panel de expertos — un panel que se equivoca a su vez en aproximadamente un tercio de los casos litigiosos. La decisión de operar un cáncer de páncreas sigue siendo, y por mucho tiempo, una decisión humana colegiada.

Para saber más

El preprint « Multimodal Assessment of Pancreatic Cancer Resectability Using Deep Learning » (aceptado en MIDL 2026) está disponible en arXiv (10.48550/arXiv.2607.13826), firmado por Vincent Ochs, Christoph Kuemmerli, Florentin Bieder, Julia Wolleb, Joël L. Lavanchy, Julia Ruppel, Jan Liechti, Stephanie Taha-Mehlitz, Christian A. Nebiker, Beat Müller, Giuseppe K. Fusai, Joerg-Matthias Pollok, Anas Taha, Philippe C. Cattin y Sebastian Staubli (Universidad de Basilea, Department of Biomedical Engineering; Clarunis, University Digestive Health Centre, Basilea; Kantonsspital Aarau; Royal Free Hospital, Londres). Financiación: Research Fund for Junior Researchers de la Universidad de Basilea, Fondo Nacional Suizo (P5R5PM 21766), Fundación Novartis para la investigación médico-biológica (23C162), Fundación Vontobel; sin conflicto de intereses declarado. Código público bajo licencia CC BY 4.0 (github.com/vincentochs/pancreas_resectability), datos y pesos a petición. Sobre la segmentación y la fusión multimodal en oncología por IA, véanse nuestros decryptages sobre la segmentación UNETR del cáncer de próstata en PET/TC con PSMA y la predicción de supervivencia, sobre la fusión multimodal de los foundation models en oncología, y sobre las firmas radiómicas profundas para la clasificación de tumores.

Transparencia editorial: versión francesa redactada y firmada por la redacción de Tatakoto a partir de la lectura del preprint. Las métricas (AUC 0,86 interno y externo, F1 macro 0,79/0,81, F1 de 0,70 en la clase localmente avanzado) son las reportadas por los autores en cohortes de 159 y 52 pacientes. Traducciones al inglés, español y chino producidas con asistencia de IA y revisadas.