Herramienta de patología con IA predice riesgo de recaída en cáncer colorrectal en estadio II

El cáncer colorrectal es el cuarto cáncer diagnosticado con mayor frecuencia en Australia y la segunda causa principal de muerte por cáncer, al tiempo que sigue siendo el tercer cáncer más común en todo el mundo. En la enfermedad en estadio II, determinar qué pacientes recaerán sigue siendo un desafío diagnóstico persistente, y las guías australianas recomiendan quimioterapia después de la cirugía solo para quienes se consideran de alto riesgo.

Una mejor estratificación del riesgo podría, por tanto, ayudar a orientar mejor la vigilancia y el tratamiento adyuvante. Ahora, los investigadores informan de un enfoque de IA que analiza datos patológicos de rutina para predecir el riesgo de recaída en el cáncer colorrectal en estadio II.

Investigadores de la Universidad La Trobe (Victoria, Australia) desarrollaron SÉMIL (siglas en inglés de Aprendizaje de instancias múltiples con enriquecimiento semántico), un algoritmo de IA para la estratificación del riesgo en el cáncer colorrectal en estadio II. El sistema utiliza imágenes y descripciones escritas derivadas de láminas de patología de rutina para evaluar la arquitectura tumoral.

En concreto, el sistema evalúa los patrones de crecimiento en el frente invasivo —una característica reconocida como importante desde el punto de vista pronóstico, pero difícil de clasificar de forma consistente para los patólogos— y luego asigna los tumores a grupos de mayor o menor riesgo.

Publicado en Gastroenterology el 29 de julio de 2026, el estudio documentó la creación de SÉMIL y analizó más de 1.600 láminas de patología. Los hallazgos se validaron en 1.220 pacientes con cáncer colorrectal en estadio II procedentes de tres cohortes independientes y de múltiples instituciones australianas. El estudio también encontró que las calificaciones de riesgo más precisas se produjeron cuando la evaluación basada en IA coincidía con la evaluación del patólogo.

Según los autores, SÉMIL podría integrarse en los flujos de trabajo de patología digital existentes sin requerir tejido adicional ni nuevas pruebas, lo que respaldaría evaluaciones patológicas más consistentes y objetivas. También señalaron la posibilidad de combinar las evaluaciones patológicas basadas en IA con biomarcadores emergentes para refinar la estratificación del riesgo y la planificación del tratamiento.

La investigación contó con colaboradores del Centro de Ciencia Molecular de la Universidad La Trobe, la Escuela de Medicina del Cáncer de la Universidad La Trobe, WEHI, la Universidad Monash, la Universidad de Melbourne, UNSW Sydney, el Centro Oncológico Peter MacCallum y otros centros oncológicos australianos.

“Esta información podría utilizarse para ayudar a los patólogos y a los clínicos a identificar qué pacientes con cáncer en estadio II tienen un mayor riesgo de recaída y pueden necesitar una vigilancia más estrecha o tratamiento adicional, como quimioterapia”, dijo Francis Magisson, candidato a doctorado y autor principal de la Escuela de Ciencias de la Computación, Ingeniería y Matemáticas de la Universidad La Trobe.

“SÉMIL podría integrarse en los flujos de trabajo de patología digital existentes sin requerir costosas pruebas nuevas ni muestras de tejido para ofrecer evaluaciones más consistentes y objetivas de la patología del cáncer”, dijo el profesor asociado Zhen He, quien dirige el programa de Biología Digital en el Instituto de Ciencia Molecular de la Universidad La Trobe, la Escuela de Ciencias de la Computación, Ingeniería y Matemáticas, y el Centro Australiano de Inteligencia Artificial en Innovación Médica.

Enlaces relacionados
Universidad La Trobe

Visitar la expo >

Miembro Oro

Automatic Hematology Analyzer

CF9600

Software de laboratorio
Acusera 24•7

Chromogenic Culture System

InTray™ COLOREX™ ECC

Automated Clinical Chemistry Analyzer

Envoy 500+