Cancer ResearchArtículo de investigaciónAcceso abierto

Los modelos de IA predicen la respuesta a la inmunoterapia contra el cáncer mejor que PD-L1, pero pocos se han validado en pacientes

Una revisión narrativa concluye que la IA multimodal supera a los biomarcadores individuales en estudios retrospectivos, pero la validación prospectiva es escasa y el rendimiento suele disminuir en validaciones externas.

viernes, 20 de noviembre de 2026 0 visualizaciones
Publicado en J Egypt Natl Canc Inst
oncologist reviewing a lung CT scan and digital pathology slide on dual monitors in a hospital reading room

Resumen

La inmunoterapia ayuda durante años a algunos pacientes con cáncer, mientras que otros obtienen poco beneficio, y las pruebas habituales, como PD-L1, la carga mutacional tumoral y la inestabilidad de microsatélites, solo predicen en parte esa diferencia. Esta revisión narrativa examina modelos de inteligencia artificial que combinan datos genéticos, imágenes de TC/RM/PET, láminas de patología digital, marcadores sanguíneos y datos clínicos en predictores compuestos. Varios estudios retrospectivos informan AUC de 0,8 o superiores, y la IA también se está aplicando a la selección de pacientes para terapia CAR-T y a la predicción de toxicidad. Los autores subrayan que la validación prospectiva y multicéntrica es poco frecuente, que las pruebas externas suelen mostrar un peor rendimiento y que muchos modelos son opacos. Por ahora, estas herramientas son ayudas para la investigación, no herramientas de decisión comprobadas. Los principales obstáculos son la estandarización de los datos, el sesgo, la transparencia y la regulación.

Resumen detallado

Los inhibidores de puntos de control inmunitario y las terapias celulares han transformado la oncología, pero los médicos todavía no pueden predecir de forma fiable quién responderá. Esta revisión narrativa, basada en PubMed, Google Scholar y registros de ensayos hasta principios de 2025, se pregunta si la inteligencia artificial puede cerrar esa brecha al predecir la respuesta y personalizar el tratamiento en cánceres sólidos y hematológicos.

Los autores describen primero por qué los marcadores actuales se quedan cortos. PD-L1 y la carga mutacional tumoral varían según el tipo de cáncer, los ensayos y los puntos de corte difieren entre laboratorios, y una sola biopsia no puede captar la heterogeneidad dentro de un tumor ni los cambios a lo largo del tiempo. La inestabilidad de microsatélites tiene buena capacidad predictiva, pero solo se encuentra en alrededor del 5% de los tumores. Ninguno de estos marcadores predice de forma fiable la toxicidad inmunomediada. El microambiente tumoral, con sus células inmunitarias supresoras, su matriz densa y sus vasos sanguíneos anómalos, añade aún más complejidad.

El argumento central es que combinar distintos tipos de datos supera a cualquier marcador individual. La revisión abarca genómica y transcriptómica (incluidas las redes neuronales que predicen la unión de neoantígenos), radiómica a partir de TC, RM y PET, patología digital sobre imágenes de portaobjetos completos, ómicas espaciales y unicelulares, y ADN tumoral circulante. El rendimiento notificado incluye un AUC de alrededor de 0,80 para el modelo multientrada deepAFM, 0,83 para predecir el estado de PD-L1 a partir de imágenes de CPNM, alrededor de 0,92 para la expresión de PD-L1 a partir de la patología de cáncer de mama y 0,838 para la multiómica espacial en CPNM. Una firma radiopatómica de cáncer gástrico alcanzó AUC de 0,978 a 0,822 en las cohortes de validación y se vinculó con la infiltración de linfocitos B de memoria.

Las aplicaciones específicas por tumor incluyen el descubrimiento de neoantígenos para vacunas en melanoma, el aprendizaje automático con datos del mundo real en CPNM que utiliza el cociente neutrófilos-linfocitos, el estado funcional y PD-L1, y una herramienta de imagen de Onc.AI que recibió la designación de dispositivo innovador de la FDA para la estratificación del riesgo. La IA también se utiliza para seleccionar pacientes para CAR-T, optimizar la fabricación y anticipar el síndrome de liberación de citocinas y la neurotoxicidad. Entre los enfoques emergentes figuran el aprendizaje federado, los modelos fundacionales, los gemelos digitales y la monitorización mediante dispositivos portátiles.

El nivel de evidencia es importante. Se trata sobre todo de resultados retrospectivos de desarrollo de modelos en un solo centro, y los autores señalan que la validación externa a menudo muestra un deterioro del rendimiento. Los modelos gastrointestinales con frecuencia no se validan externamente, y los conjuntos de datos son heterogéneos. La estandarización de los datos, el sesgo, la limitada reproducibilidad, la escasa validación longitudinal y la falta de explicabilidad siguen siendo obstáculos para la confianza de los médicos y la aceptación regulatoria.

La implicación es que la IA multimodal supone un avance prometedor en la comprensión de los mecanismos y en la predicción, pero no se ha demostrado que mejore los resultados de los pacientes. Los autores piden ensayos prospectivos multicéntricos, informes transparentes, modelos explicables y marcos regulatorios más sólidos antes de que la IA pase de ser una herramienta de investigación retrospectiva a un apoyo rutinario para la toma de decisiones clínicas. Dado que se trata de una revisión narrativa sin evaluación sistemática de la calidad, las cifras de rendimiento citadas deben interpretarse como ilustrativas y no como estimaciones agrupadas.

Hallazgos clave

  • Multimodal deep learning (deepAFM) combining histopathology, genomics, radiomics and clinical data reported AUC up to about 0.80 for immunotherapy response (retrospective).
  • Gastric cancer radiopathomics signature (H&E slides plus CT, seven ML models) reached AUCs of 0.978 to 0.822 across validation cohorts and tracked memory B-cell infiltration.
  • Imaging-based AI predicted PD-L1 status in NSCLC with AUC 0.83; pathology AI predicted PD-L1 expression in breast cancer with AUC about 0.92.
  • NSCLC spatial multi-omics model reached AUC 0.838, but the review notes external validation often shows performance deterioration.
  • Conventional markers are limited: MSI-H is a strong pan-cancer predictor but prevalence is only about 5%, while PD-L1 and TMB lack standardized cutoffs and are partial predictors.
  • Onc.AI's Serial CTRS imaging tool received FDA breakthrough device designation for NSCLC risk stratification, which is a designation, not proof of outcome benefit.
  • Prospective, multicenter validation is scarce, and many GI cancer models lack external validation; no outcome-improvement trial results are reported.

Metodología

Se trata de una revisión narrativa, no de una revisión sistemática ni de un metaanálisis. Se buscó bibliografía en PubMed, Google Scholar y registros de ensayos clínicos hasta principios de 2025, utilizando términos relacionados con IA, inmunoterapia, biomarcadores, microambiente tumoral, CAR-T y radiómica. Se dio prioridad a los estudios prospectivos o con validación externa y a las revisiones de referencia, pero no se describe ninguna evaluación formal de la calidad, puntuación del riesgo de sesgo ni análisis agrupado. Las cifras de rendimiento (en su mayoría AUC) provienen de los estudios individuales citados.

Limitaciones del estudio

Los autores señalan que la mayoría de los estudios son retrospectivos, que la validación rara vez es prospectiva o multicéntrica y que el rendimiento a menudo disminuye en entornos externos. Persisten la heterogeneidad de los datos, los sesgos, la reproducibilidad limitada y la opacidad de los modelos. Al tratarse de una revisión narrativa, podría estar sujeta a sesgo de selección, y en el texto proporcionado no se declaran conflictos de intereses; dicho texto aparece truncado antes de las secciones sobre cáncer de mama y células CAR-T.

¿Te ha gustado este resumen?

Recibe la última investigación sobre longevidad en tu bandeja de entrada cada semana.

Introduce tu correo electrónico para suscribirte: