Un Modelo de IA Detecta Sarcopenia en Pacientes con Cáncer Gástrico con un AUC de 0,89

La sarcopenia —la pérdida progresiva de fuerza, masa y rendimiento físico del músculo esquelético— es tanto un sello distintivo del envejecimiento como un potente predictor independiente de mala supervivencia en pacientes con cáncer gástrico. Sin embargo, el diagnóstico convencional requiere pruebas de fuerza de agarre, medición de la velocidad de marcha y cuantificación muscular por TC realizadas conjuntamente, un proceso laborioso que limita su uso clínico rutinario. Este estudio, publicado en el Journal of Cachexia, Sarcopenia and Muscle, se propuso desarrollar y validar un modelo de IA multimodal completamente automatizado, capaz de identificar la sarcopenia y la sarcopenia grave directamente a partir de TC preoperatorias combinadas con variables clínicas básicas.

El estudio incluyó a 1.067 pacientes con cáncer gástrico confirmado patológicamente procedentes de dos centros médicos chinos (978 del Centro 1 y 89 del Centro 2). La cohorte estaba compuesta por un 73,3 % de hombres y un 26,7 % de mujeres. El diagnóstico de sarcopenia se realizó mediante los criterios EWGSOP2: baja fuerza de agarre (< 28 kg en hombres, < 18 kg en mujeres) más bajo índice de músculo esquelético (SMI) a nivel de la vértebra L3 (< 40,8 cm²/m² en hombres, < 34,9 cm²/m² en mujeres). La sarcopenia grave requería adicionalmente una velocidad de marcha < 1,0 m/s. Las imágenes de TC a nivel L3 se segmentaron automáticamente con el software TotalSegmentator. A partir de esas imágenes segmentadas se extrajeron 1.288 características de radiómica, que posteriormente se redujeron mediante filtrado por correlación de Spearman y regresión LASSO con validación cruzada de 10 pliegues.

El equipo desarrolló cuatro modelos de complejidad progresiva. Un modelo XGBoost basado únicamente en radiómica alcanzó AUCs de 0,85 (validación) y 0,80 (prueba externa). Un modelo de aprendizaje profundo 2D con arquitectura ResNet50 obtuvo AUCs de 0,79 y 0,80, mientras que el modelo 2,5D —que utiliza tres cortes de TC consecutivos a nivel L3 como entrada de tres canales— superó a la versión 2D con AUCs de 0,81 y 0,83. Un modelo de fusión XGBoost que combinaba variables clínicas, radiómica y características de aprendizaje profundo 2,5D alcanzó AUCs de 0,85 y 0,86. El modelo estrella, denominado «modelo de sarcopenia», una arquitectura multimodal basada en transformers que fusiona los tres flujos de datos mediante un codificador de atención de 8 cabezas, ofreció el mejor rendimiento: AUCs de 0,95, 0,87 y 0,89 para la identificación de sarcopenia en los conjuntos de entrenamiento, validación y prueba externa, respectivamente. Para la sarcopenia grave, los AUCs fueron 0,93, 0,85 y 0,84 en los mismos conjuntos.

El análisis de supervivencia de Kaplan-Meier de la cohorte del Centro 1 (con seguimiento ≥ 5 años tras la cirugía) confirmó que los pacientes con sarcopenia presentaban una supervivencia global significativamente peor que los que no la padecían (p < 0,05), lo que valida la importancia clínica de una detección precisa. El análisis de curvas de decisión mostró que el modelo de sarcopenia aportaba un mayor beneficio clínico neto que los enfoques de modalidad única en un amplio rango de probabilidades umbral, lo que sugiere que es prácticamente útil y no meramente estadísticamente superior.

Para la comunidad más amplia de la longevidad y los años de vida saludable, este trabajo tiene varias implicaciones que trascienden el cáncer gástrico. La sarcopenia es uno de los fenotipos de envejecimiento modificables más relevantes, asociado a caídas, hospitalización, deterioro funcional y mortalidad en adultos mayores en general. Automatizar su detección mediante la infraestructura de TC existente, sin necesidad de pruebas físicas adicionales, podría transformar el cribado a escala poblacional. La arquitectura de fusión basada en transformers podría servir también como modelo para integrar datos multimodales en otros contextos de sarcopenia, incluida la pérdida muscular relacionada con la edad en poblaciones sin cáncer. Las limitaciones incluyen el diseño retrospectivo, una cohorte de pacientes predominantemente china que restringe la generalización, y la necesidad de validación prospectiva antes de su implementación clínica.