Se espera que una de cada tres personas padezca cáncer a lo largo de su vida, lo que lo convierte en un problema de salud importante para la humanidad.

Un indicador crucial del resultado del cáncer es el estado de los microsatélites del tumor, es decir, si es estable o inestable.

Se refiere a la estabilidad del ADN en los tumores con respecto al número de mutaciones dentro de los microsatélites.

El estado de los microsatélites del tumor tiene un importante valor clínico, ya que los pacientes con cánceres con inestabilidad de microsatélites alta (MSI-H) suelen tener resultados más prometedores en comparación con los pacientes con tumores con microsatélites estables.

Además, los tumores con deficiencia de proteínas de reparación de desajustes —se trata de células con mutaciones en genes específicos que intervienen en la corrección de errores cometidos durante la copia del ADN en una célula— responden bien a los inhibidores de puntos de control inmunitario (ICI) y no necesariamente a los quimioterápicos.

Por lo tanto, los profesionales sanitarios y los expertos recomiendan realizar pruebas de MSI en los casos de cáncer gástrico y colorrectal recién diagnosticados.

En los últimos años, la inteligencia artificial (IA) ha avanzado mucho en este campo y se espera que su incorporación al flujo de trabajo clínico proporcione pruebas de MSI rentables y muy accesibles.

Aunque varios estudios han utilizado métodos de aprendizaje profundo, como redes neuronales convolucionales y técnicas basadas en transformadores de visión, para predecir el estado de la MSI, no logran captar la incertidumbre de la predicción.

Además, la mayoría de ellos no proporcionan información clave sobre la respuesta a los ICI, lo que limita sus aplicaciones clínicas.

Para subsanar estas deficiencias, en un reciente avance, un equipo de investigadores de Estados Unidos y Corea, entre los que se encuentran Jae-Ho Cheong, de la Facultad de Medicina de la Universidad de Yonsei, y Jeonghyun Kang, del Hospital Gangnam Severance, de la Facultad de Medicina de la Universidad de Yonsei, ha propuesto el MSI-SEER.

Este innovador modelo bayesiano basado en procesos gaussianos profundos analiza imágenes de diapositivas completas teñidas con hematoxilina y eosina en un aprendizaje débilmente supervisado para predecir el estado de los microsatélites en los cánceres gástricos y colorrectales.

Una contribución central y distintiva de este estudio radica en la integración de la predicción y la cuantificación de la incertidumbre en el modelo de IA.

En concreto, el modelo está equipado con la capacidad de autoevaluar su confianza mediante la estimación de la varianza predictiva a través del abandono de Monte Carlo.

A continuación, esta varianza se transforma en una puntuación de confianza bayesiana (BCS), que cuantifica la fiabilidad de cada predicción.

Como resultado, el modelo de IA es capaz de reconocer los casos en los que sus predicciones tienen un alto grado de incertidumbre, es decir, «sabe lo que no sabe». En tales casos, el sistema, denominado MSI-SEER, marca automáticamente estas diapositivas de alta incertidumbre para que sean revisadas por patólogos humanos, en lugar de tomar decisiones autónomas.

Los novedosos hallazgos se publicaron en línea y en la revista npj digital medicine el 19 de mayo de 2025.

«Este estudio proporciona un plan fundamental sobre cómo un modelo de IA que «sabe lo que no sabe», lo que a su vez aumenta la fiabilidad general del sistema, puede crear un marco clínico de colaboración entre la IA y los seres humanos para entornos clínicos más seguros, fiables y útiles en el mundo real», afirmó el profesor Cheong.

Según el profesor Cheong, «realizamos una validación exhaustiva utilizando múltiples conjuntos de datos de gran tamaño que incluían pacientes de diversos orígenes raciales y descubrimos que MSI-SEER alcanzaba un rendimiento de vanguardia en la predicción de MSI al integrar la predicción de la incertidumbre».

Además, el modelo demostró ser muy preciso para la predicción de la respuesta a los ICI al integrar el estado de MSI del tumor y la relación entre el estroma y el tumor.

Por otra parte, las predicciones a nivel de mosaico realizadas por MSI-SEER proporcionaron información clave sobre la contribución de la distribución espacial de las regiones MSI-H en el microambiente tumoral y la respuesta a la ICI.

«Creemos que nuestra tecnología ya tiene potencial para su aplicación en el mundo real como forma de vigilancia prospectiva de cohortes o como una especie de ensayos clínicos de fase IV. La implicación a largo plazo de este estudio es que no se trata de un único modelo predictivo de IA específico. Más bien, tiene una implicación más amplia sobre cómo el algoritmo de IA puede analizar datos clínicos multimodales y crear modelos clínicamente utilizables para la medicina oncológica de precisión», amplía el profesor Cheong sobre las posibilidades de su innovación.

En general, este trabajo muestra la utilización de un modelo de IA para diseñar un algoritmo clínicamente utilizable para predecir la respuesta a los ICIs en pacientes con cáncer.

Fuente: Universidad de Yonsei