Un estudio evalúa modelos de inteligencia artificial que analizan imágenes histológicas completas de melanomas primarios para identificar el riesgo de metástasis
Lugones Editorial©
La identificación temprana de melanomas con alto potencial de metástasis es crucial para planificar el tratamiento y estimar el pronóstico. El presente estudio analiza si la inteligencia artificial puede identificar, a partir de imágenes histológicas completas del melanoma primario, cuáles presentan mayor riesgo de desarrollar metástasis.
Para ello, los autores evaluaron enfoques de aprendizaje multimodal y basados en imágenes histológicas de portaobjetos completos (WSI, whole-slide images) débilmente supervisados, con el objetivo de determinar si pueden identificar el riesgo metastásico en el melanoma cutáneo primario más allá de los predictores clinicopatológicos actuales.
Dado que los marcadores pronósticos establecidos pueden no identificar algunas enfermedades agresivas, ha aumentado el interés por métodos computacionales capaces de extraer información pronóstica adicional directamente de las imágenes
Introducción
El melanoma cutáneo es uno de los cánceres de piel más mortales y una causa creciente de muerte y morbilidad en todo el mundo. El pronóstico de los pacientes con melanoma en estadios III y IV es significativamente peor que el de aquellos en estadios I y II sin enfermedad metastásica. Por lo tanto, conocer si un melanoma presenta riesgo de metastatizar es fundamental para el tratamiento y el pronóstico.
Las metástasis de un melanoma cutáneo primario pueden producirse antes de que se diagnostique el tumor. Mientras algunas se detectan tempranamente, otros melanomas pueden permanecer en una etapa indolente durante años. El melanoma puede metastatizar por vía linfática, hacia los ganglios regionales o como metástasis en tránsito, y también por vía hematógena, con aparición de metástasis a distancia.
En el momento del diagnóstico del melanoma primario, los parámetros clinicopatológicos permiten estimar el riesgo de metástasis y de muerte. Entre los principales marcadores pronósticos se encuentran el grosor y la ulceración del tumor primario, mientras que la biopsia del ganglio linfático centinela permite detectar enfermedad ganglionar regional oculta. La presencia de metástasis regionales no nodales y, especialmente, de metástasis a distancia se asocia con un peor pronóstico.
Sin embargo, los marcadores pronósticos establecidos pueden no identificar algunas enfermedades agresivas. Esto ha impulsado el interés por métodos computacionales capaces de extraer información pronóstica adicional directamente de las imágenes.
En los últimos años, diferentes enfoques de inteligencia artificial se han aplicado al melanoma y a otras enfermedades cutáneas, principalmente para la detección y clasificación de lesiones. También se han desarrollado modelos basados en imágenes histológicas de portaobjetos completos (WSI) para detectar y clasificar distintos tipos de cáncer y para identificar metástasis en ganglios linfáticos.
No obstante, son pocos los estudios que han evaluado el potencial metastásico de un tumor primario a partir de su histología. En melanoma, algunos trabajos previos utilizaron aprendizaje profundo para predecir el compromiso del ganglio centinela o identificar pacientes con riesgo de recurrencia visceral y muerte. Sin embargo, son limitados los estudios que abordan la predicción temprana del riesgo metastásico en el melanoma primario mediante enfoques débilmente supervisados, que no requieren anotaciones a nivel de región.
El objetivo fue evaluar si los enfoques de aprendizaje multimodal y basados en imágenes histológicas de portaobjetos completos (WSI), débilmente supervisados, pueden identificar el riesgo metastásico en el melanoma cutáneo primario más allá de los predictores clinicopatológicos actuales
Métodos
- Se analizaron 426 imágenes histológicas de portaobjetos completos (WSI) de melanomas cutáneos primarios, de las cuales 249 correspondían a tumores metastásicos y 177 a tumores no metastásicos.
- Las imágenes se dividieron en parches y se procesaron mediante el modelo Prov-GigaPath. Las características clinicopatológicas se transformaron mediante BioMedBERT.
- Se evaluaron modelos de aprendizaje débilmente supervisado para predecir el riesgo metastásico a partir de las WSI, solas o combinadas con las características clinicopatológicas, y se compararon con un modelo basado exclusivamente en estas últimas.
- Los datos se distribuyeron en conjuntos de entrenamiento, validación y prueba.
Resultados
Rendimiento de los modelos
MultiTrans, que integra las imágenes histológicas de portaobjetos completos (WSI) con los datos clinicopatológicos, y TransMIL, basado únicamente en WSI, alcanzaron una precisión de 0,847. BertMLP, basado exclusivamente en características clinicopatológicas, alcanzó una precisión de 0,753. El AUC fue de 0,887 para MultiTrans, 0,883 para TransMIL y 0,849 para BertMLP.
En el punto de corte de Youden, MultiTrans presentó la mayor sensibilidad (0,961), identificando correctamente 49 de 51 casos metastásicos. TransMIL alcanzó una sensibilidad de 0,843 y una especificidad de 0,853, mientras que BertMLP presentó una sensibilidad de 0,725 y una especificidad de 0,794. En los tumores T2, los modelos TransMIL y MultiTrans tuvieron un rendimiento significativamente mejor que BertMLP.
Reconocer si es probable que un melanoma haga metástasis es crucial para el tratamiento y la supervivencia de los pacientes con melanoma
Características clinicopatológicas
En BertMLP, el mayor AUC se obtuvo utilizando únicamente el grosor de Breslow (0,849). El rendimiento fue menor cuando se utilizaron solo la ulceración (0,691) o la tasa mitótica (0,608). Al incorporar todas las características clinicopatológicas, el AUC fue de 0,802. En MultiTrans, las variaciones en las características clinicopatológicas incluidas tuvieron poca influencia sobre el rendimiento.
Interpretación de las predicciones
Los mapas de atención permitieron visualizar las regiones de las WSI que contribuyeron a las predicciones del modelo. En los casos metastásicos correctamente clasificados, las regiones con mayor atención correspondieron principalmente a estructuras vasculares, áreas asociadas con ulceración e infiltrados inflamatorios dérmicos. La mayoría se encontraba fuera de la masa tumoral principal, y no se observó crecimiento tumoral intravascular en las imágenes analizadas.
Visualización de mapas de activación de clases derivados de todos los pesos de atención generados por MultiTrans sobre el WSI original (d, e y f) y la imagen H&E correspondiente (a, b y c)
Revisión experta de las regiones seleccionadas por modelos
La evaluación de las regiones de mayor atención por un dermatopatólogo mostró diferencias entre los casos metastásicos y no metastásicos.
Agrupación guiada de mosaicos de alta atención de casos metastásicos verdaderos positivos clasificados por el modelo TransMIL
- Casos metastásicos
En los casos metastásicos correctamente clasificados, las regiones destacadas correspondieron principalmente a estructuras vasculares, áreas de ulceración e infiltrados inflamatorios dérmicos. En los casos que desarrollaron metástasis durante el seguimiento, las regiones de mayor atención se localizaron consistentemente fuera de la masa tumoral principal y correspondieron sobre todo a estructuras vasculares y áreas asociadas con ulceración.
- Casos no metastásicos
En los casos no metastásicos correctamente clasificados, las regiones destacadas correspondieron principalmente a estructuras epidérmicas, en particular epidermis intacta y no ulcerada, con o sin melanoma in situ. Algunas regiones mostraron inflamación superficial, pero sin atención a las células tumorales dérmicas, las estructuras vasculares o las áreas de ulceración.
- Casos mal clasificados
Los casos mal clasificados se caracterizaron principalmente por regiones dérmicas inespecíficas y artefactos relacionados con el procesamiento de la grasa y los tejidos.
Agrupación guiada de mosaicos de alta atención a partir de casos verdaderos negativos no metastásicos
Discusión
Los modelos basados en imágenes histológicas de portaobjetos completos (WSI) mostraron un rendimiento superior al modelo basado exclusivamente en características clinicopatológicas para identificar el riesgo metastásico en melanomas cutáneos primarios.
Este beneficio fue especialmente evidente en los tumores T2, donde la estratificación temprana del riesgo resulta clínicamente relevante. TransMIL, basado únicamente en WSI, mostró un comportamiento más consistente entre los distintos espesores de Breslow, mientras que MultiTrans, que combina imágenes y características clinicopatológicas, priorizó la sensibilidad y permitió identificar una mayor proporción de casos metastásicos.
El análisis de las regiones seleccionadas por los modelos aportó un hallazgo relevante. En los casos metastásicoscorrectamente clasificados, la atención se concentró principalmente en estructuras vasculares, áreas asociadas con ulceración e infiltrados inflamatorios dérmicos, y la mayoría de estas regiones se encontraba fuera de la masa tumoral principal. Este patrón también se observó en tumores que desarrollaron metástasis durante el seguimiento. En contraste, en los casos no metastásicos, la atención se concentró predominantemente en la epidermis intacta y no ulcerada.
Estos resultados sugieren que las imágenes histológicas pueden contener información pronóstica adicional a la aportada por los parámetros clinicopatológicos convencionales y que señales relacionadas con el microambiente tumoral podrían contribuir a la identificación temprana del riesgo metastásico.
Una característica diferencial del estudio es el uso de un enfoque débilmente supervisado, que no requiere anotaciones manuales a nivel de región o de parche. Esto permite que el modelo analice la WSI completa y aprenda patrones relevantes para la predicción a nivel de la muestra.
Los autores señalan como principales limitaciones el tamaño de la cohorte, el análisis realizado en una única institución, la ausencia de una cohorte de validación externa y el hecho de que no se evaluó la supervivencia específica por melanoma. Por lo tanto, se requieren estudios con cohortes externas y multiinstitucionales para determinar la generalización y aplicabilidad clínica del modelo.
Los modelos basados en imágenes histológicas de portaobjetos completos (WSI) mostraron un rendimiento superior al modelo basado exclusivamente en características clinicopatológicas para identificar el riesgo metastásico en melanomas cutáneos primarios
Conclusiones
Los modelos basados en WSI débilmente supervisados identificaron información asociada con el riesgo metastásico en melanomas cutáneos primarios y superaron al modelo basado exclusivamente en características clinicopatológicas. El beneficio fue particularmente evidente en los tumores T2.
Los hallazgos también indican que regiones vasculares, áreas asociadas con ulceración e infiltrados inflamatorios dérmicos pueden aportar información relevante para la estratificación temprana del riesgo metastásico, incluso fuera de la masa tumoral principal.
Predecir los primeros signos de potencial metastásico de los tumores primarios puede permitir estrategias de tratamiento específicas para pacientes con alto riesgo de progresión de la enfermedad
Melanomas: inteligencia artificial para detectar riesgo de metástasis
Fuente
Dahlén F, Shujski I, Yacob F, et al. Early detection of metastatic risk in primary cutaneous melanoma using weakly supervised learning. Sci Rep 2026;16:11234.
