Diagnóstico precoz del cáncer de páncreas: radiómica e inteligencia artificial

AUTORES

1. Sofía Thais Escobar Narro. Radiodiagnóstico, Hospital Universitario Miguel Servet (Zaragoza, España).
2. Natalia Lourdes Tobajas Ramos. Radiodiagnóstico, Hospital Universitario Miguel Servet (Zaragoza, España).
3. Teresa Pilar Briceño Torralba. Medicina Familiar y Comunitaria, Hospital Universitario Miguel Servet (Zaragoza, España).
4. Juan Ignacio Gracia García. Radiodiagnóstico, Hospital Universitario Miguel Servet (Zaragoza, España).
5. María Gayarre Baquedano. Medicina Familiar y Comunitaria, Hospital Universitario Miguel Servet (Zaragoza, España).
6. Elena Sierra Beltrán. Radiodiagnóstico, Hospital Universitario Miguel Servet (Zaragoza, España).

RESUMEN

El cáncer de páncreas es una neoplasia de mal pronóstico debido a su diagnóstico tardío, lo que limita las opciones terapéuticas curativas. En los últimos años, la radiómica y la inteligencia artificial (IA) han surgido como herramientas prometedoras para la detección precoz mediante tomografía computarizada (TC) y resonancia magnética (RM). La radiómica permite extraer características cuantitativas de las imágenes médicas que son invisibles al ojo humano, y combinada con modelos de IA, facilita la identificación de adenocarcinoma ductal pancreático (PDAC) en fases prediagnósticas, incluso hasta un año antes del diagnóstico clínico, alcanzando sensibilidades y especificidades superiores al 90% y áreas bajo la curva (AUC) de hasta 0,98. Los modelos de aprendizaje automático y redes neuronales convolucionales 3D aplicados a TC han superado la capacidad diagnóstica de radiólogos expertos, permitiendo además estratificar el riesgo en individuos asintomáticos o con factores predisponentes, como diabetes de reciente aparición. En pacientes con lesiones quísticas pancreáticas, como IPMN, la integración de radiómica con biomarcadores séricos y técnicas avanzadas de ultrasonografía endoscópica mejora la detección de malignidad. A pesar de los resultados prometedores, la implementación clínica rutinaria requiere estudios prospectivos, estandarización de métricas y validación en cohortes multicéntricas. La radiómica y la IA representan un avance significativo hacia la medicina personalizada y el diagnóstico precoz del cáncer de páncreas.

PALABRAS CLAVE

Cáncer de páncreas, radiómica, inteligencia artificial, diagnóstico precoz, tomografía computarizada, resonancia magnética.

ABSTRACT

Pancreatic cancer is a neoplasm with a poor prognosis due to its late diagnosis, which limits curative treatment options. In recent years, radiomics and artificial intelligence (AI) have emerged as promising tools for early detection using computed tomography (CT) and magnetic resonance imaging (MRI). Radiomics allows the extraction of quantitative features from medical images that are invisible to the human eye, and when combined with AI models, facilitates the identification of pancreatic ductal adenocarcinoma (PDAC) in prediagnostic stages, even up to a year before clinical diagnosis, achieving sensitivities and specificities greater than 90% and areas under the curve (AUC) of up to 0.98. Machine learning models and 3D convolutional neural networks applied to CT have surpassed the diagnostic capabilities of expert radiologists, also allowing risk stratification in asymptomatic individuals or those with predisposing factors, such as newly diagnosed diabetes. In patients with pancreatic cystic lesions, such as IPMNs, the integration of radiomics with serum biomarkers and advanced endoscopic ultrasound techniques improves malignancy detection. Despite promising results, routine clinical implementation requires prospective studies, standardization of metrics, and validation in multicenter cohorts. Radiomics and AI represent a significant advance toward personalized medicine and the early diagnosis of pancreatic cancer.

KEY WORDS

Pancreatic cancer, radiomics, artificial intelligence, early diagnosis, computed tomography, magnetic resonance imaging.

INTRODUCCIÓN

El cáncer de páncreas continúa siendo una de las neoplasias con peor pronóstico debido a su presentación clínica tardía y a la dificultad de detección en fases iniciales mediante técnicas convencionales de imagen. Las opciones terapéuticas curativas, como la cirugía, dependen en gran medida de un diagnóstico temprano, pero la mayoría de los pacientes presentan enfermedad avanzada al momento del diagnóstico. En este contexto, la radiómica ha emergido como una herramienta innovadora que permite analizar cuantitativamente las imágenes médicas y extraer características sutiles invisibles al ojo humano. Combinada con inteligencia artificial, esta técnica tiene el potencial de detectar adenocarcinoma ductal pancreático en fases prediagnósticas, anticipándose al diagnóstico clínico convencional.

OBJETIVO

Esta revisión sistemática tiene como objetivo sintetizar la evidencia publicada sobre la utilidad de la radiómica y la IA en la detección precoz del cáncer de páncreas, así como su impacto potencial en la estratificación de riesgo y la toma de decisiones clínicas.

METODOLOGÍA

Se realizó una revisión sistemática de la literatura científica publicada entre 2010 y 2025 en las bases de datos PubMed, Scopus y Web of Science. Se emplearon términos MeSH como Pancreatic Neoplasms, Radiomics, Artificial Intelligence y Early Diagnosis. Se incluyeron estudios originales, revisiones sistemáticas y ensayos multicéntricos que evaluaran la aplicación de radiómica o IA en el diagnóstico precoz del cáncer de páncreas, con mediciones objetivas de desempeño diagnóstico como sensibilidad, especificidad y área bajo la curva (AUC). Se excluyeron estudios sin base en imagen médica, aquellos con metodología insuficiente o sin resultados cuantitativos claros. La extracción de datos incluyó el número de pacientes, modalidad de imagen, algoritmo de IA o radiómica, resultados diagnósticos y validación externa.

RESULTADOS

Se identificaron estudios relevantes que evaluaban la aplicación de radiómica e IA en el diagnóstico precoz del cáncer de páncreas. La evidencia demuestra que la radiómica permite detectar PDAC hasta un año antes del diagnóstico clínico, con sensibilidades y especificidades superiores al 90% y AUC cercanas a 0,98. Los modelos de IA, incluidos algoritmos de deep learning y redes neuronales convolucionales 3D, han mostrado superioridad frente a radiólogos expertos en la identificación de cambios sutiles en el parénquima pancreático, permitiendo una estratificación de riesgo precisa en individuos asintomáticos o con factores predisponentes, como diabetes de reciente aparición o antecedentes familiares de cáncer pancreático^1-4.

En pacientes con lesiones quísticas pancreáticas, como IPMN, la combinación de radiómica con biomarcadores séricos, especialmente CA 19-9, y técnicas avanzadas de ultrasonografía endoscópica ha incrementado la sensibilidad y especificidad para la detección de malignidad⁵. La radiómica aplicada a RM también ha demostrado utilidad en la diferenciación de neoplasias sólidas pancreáticas, incluso en tumores menores de 2 cm, facilitando la selección de candidatos para cirugía y optimizando estrategias de vigilancia⁶.

Sin embargo, la literatura destaca que la implementación clínica rutinaria de estas herramientas aún requiere validación prospectiva adicional, estandarización de métricas y estudios multicéntricos que evalúen el impacto directo en desenlaces clínicos relevantes como la supervivencia y la toma de decisiones terapéuticas^4,7. La literatura destaca que la combinación de radiómica, IA y biomarcadores emergentes representa la vía más prometedora para el diagnóstico precoz y la mejora del pronóstico en cáncer de páncreas^1,2,4,5.

Grupos de pacientes beneficiados:

1. Personas con alto riesgo de cáncer de páncreas, como aquellos con antecedentes familiares de cáncer pancreático, portadores de mutaciones genéticas asociadas (por ejemplo, BRCA1/2, PALB2), y pacientes con pancreatitis crónica o lesiones quísticas pancreáticas de alto riesgo. La radiómica permite una detección más temprana y precisa de lesiones malignas en estos grupos, superando la capacidad diagnóstica convencional y facilitando la identificación de tumores en fases subclínicas^1,4,8.
2. Pacientes con lesiones quísticas pancreáticas (como IPMN y MCN), donde la radiómica ayuda a diferenciar entre lesiones benignas y aquellas con potencial maligno, optimizando la selección de candidatos para cirugía o vigilancia intensiva y evitando intervenciones innecesarias⁸‘⁹.
3. Pacientes con imágenes indeterminadas o hallazgos dudosos en TC o RM, especialmente en el contexto de diferenciación entre pancreatitis y adenocarcinoma ductal pancreático (PDAC). Los modelos de radiómica basados en machine learning han demostrado alta precisión en distinguir entre estas entidades, lo que es crucial para evitar retrasos diagnósticos y tratamientos inapropiados¹⁰.
4. Pacientes con diagnóstico reciente de diabetes de aparición tardía, ya que este grupo tiene mayor riesgo de cáncer de páncreas y la radiómica puede detectar cambios sutiles en el parénquima pancreático antes de la aparición de síntomas o hallazgos radiológicos evidentes⁴.
5. Pacientes con PDAC resecable o borderline resecable, donde la radiómica contribuye a la caracterización tumoral, predicción de respuesta al tratamiento y estimación de pronóstico, permitiendo una medicina personalizada en la toma de decisiones terapéuticas^7,11,12.

Softwares y actualidad: IA y deep learning en diagnóstico:

PANCANAI: Este modelo, validado en cohortes retrospectivas y longitudinales, utiliza 3D-CNN para analizar tomografías computarizadas (TC) y ha demostrado una sensibilidad del 91,8% en TC diagnósticas y del 68,7% en TC prediagnósticas (hasta un año antes del diagnóstico histopatológico). Su sensibilidad para tumores en estadio I es del 82,9%. La validación clínica se ha realizado en grandes cohortes poblacionales, mostrando capacidad para identificar cáncer pancreático en fases subclínicas, aunque la sensibilidad disminuye cuanto mayor es el intervalo previo al diagnóstico¹³.

Modelos 3D-CNN multisitio: Desarrollados y validados en estudios multicéntricos, estos sistemas han alcanzado una precisión del 92%, sensibilidad del 88% y especificidad del 95% en cohortes internas, con áreas bajo la curva (AUC) de hasta 0,97. Han demostrado generalizabilidad en cohortes externas y capacidad para detectar cáncer pancreático oculto en TC prediagnósticas, con una precisión del 84% y AUC de 0,91, hasta 15 meses antes del diagnóstico clínico².

Herramientas CAD basadas en deep learning: Sistemas de apoyo a la decisión clínica (CAD) que integran segmentación automática y clasificación mediante ensambles de CNN, validados en cohortes nacionales, han mostrado sensibilidades cercanas al 90% y especificidades superiores al 92% en la detección de cáncer pancreático en TC, incluyendo tumores menores de 2 cm¹⁴.

Las características comunes de estos softwares incluyen la automatización del análisis de imágenes, la integración de mapas de activación para localización tumoral, y la validación en cohortes externas y poblacionales. La mayoría emplea validación cruzada, validación externa y, en algunos casos, validación en cohortes simuladas de alto riesgo (por ejemplo, nuevos diabéticos)^2,13,14,15.

Actualmente, aunque estos sistemas muestran alto rendimiento diagnóstico, su implementación clínica rutinaria requiere validación prospectiva adicional y estandarización de protocolos, especialmente en escenarios de cribado y diagnóstico precoz^15,16.

DISCUSIÓN

Los avances recientes en radiómica e inteligencia artificial (IA) han transformado el panorama del diagnóstico precoz del cáncer de páncreas, ofreciendo herramientas capaces de detectar adenocarcinoma ductal pancreático (PDAC) en fases prediagnósticas con una precisión que supera la interpretación convencional de los radiólogos expertos. La evidencia recopilada demuestra que los modelos de aprendizaje automático y las redes neuronales convolucionales tridimensionales (3D-CNN) aplicadas a tomografía computarizada (TC) y resonancia magnética (RM) permiten identificar cambios sutiles en el parénquima pancreático, alcanzando sensibilidades y especificidades superiores al 90% y áreas bajo la curva (AUC) de hasta 0,98 en cohortes multicéntricas y bases de datos externas. Estas capacidades facilitan la estratificación de riesgo en individuos asintomáticos, incluidos aquellos con diabetes de reciente aparición o antecedentes familiares de cáncer pancreático, y permiten una identificación temprana de lesiones quísticas con potencial maligno, como IPMN y MCN, mejorando la selección de pacientes para cirugía o vigilancia intensiva^1,2,3.

La integración de radiómica con biomarcadores séricos, como CA 19-9, y técnicas avanzadas de ultrasonografía endoscópica ha incrementado la sensibilidad y especificidad en la detección de malignidad, evidenciando el valor de enfoques multimodales en la medicina personalizada. La aplicación de estas herramientas en pacientes con imágenes indeterminadas o hallazgos dudosos también reduce la posibilidad de diagnósticos incorrectos entre pancreatitis y PDAC, lo que es crucial para evitar retrasos terapéuticos. En pacientes con tumores resecables o borderline resecables, la radiómica contribuye a la caracterización tumoral, predicción de respuesta a tratamiento y estimación de pronóstico, optimizando la toma de decisiones clínicas individualizadas^1,2,3.

El desarrollo de softwares basados en IA, como PANCANAI, modelos 3D-CNN multicéntricos y sistemas CAD integrados, ha permitido automatizar el análisis de imágenes, incorporar mapas de activación para localización tumoral y validar resultados en cohortes externas y poblacionales. PANCANAI ha mostrado una sensibilidad del 91,8% en TC diagnósticas y del 68,7% en TC prediagnósticas, con capacidad para detectar tumores en estadio I en más del 80% de los casos. Los modelos multicéntricos han alcanzado precisiones del 92%, con sensibilidades y especificidades superiores al 88% y 95%, respectivamente, y AUC de hasta 0,97, mostrando además generalización en cohortes externas hasta 15 meses antes del diagnóstico clínico. Los sistemas CAD basados en deep learning han reportado resultados similares, incluyendo la identificación de tumores menores de 2 cm, lo que evidencia el potencial de estas herramientas para el cribado y la detección temprana^2,13,14,15.

A pesar de estos avances, la literatura destaca la necesidad de estudios prospectivos adicionales, estandarización de métricas y protocolos, así como validación en contextos clínicos rutinarios para asegurar reproducibilidad y fiabilidad diagnóstica^4,5.

CONCLUSIÓN

Como conclusión, los desafíos actuales incluyen la transparencia de los algoritmos, la integración en flujos de trabajo clínicos y la evaluación de su impacto directo en desenlaces relevantes, como la supervivencia global y la optimización de decisiones terapéuticas. En este sentido, la combinación de radiómica, IA y biomarcadores emergentes representa la estrategia más prometedora para avanzar hacia un diagnóstico precoz efectivo, una estratificación de riesgo precisa y una medicina personalizada en cáncer de páncreas.

BIBLIOGRAFÍA

1. Mukherjee S, Patra A, Khasawneh H, Korfiatis P, Rajamohan N, Suman G, et al. Radiomics-based machine-learning models can detect pancreatic cancer on prediagnostic computed tomography scans at a substantial lead time before clinical diagnosis. Gastroenterology [Internet]. 2022;163(5):1435-1446.e3. Disponible en: http://dx.doi.org/10.1053/j.gastro.2022.06.066
2. Korfiatis P, Suman G, Patnam NG, Trivedi KH, Karbhari A, Mukherjee S, et al. Automated artificial intelligence model trained on a large data set can detect pancreas cancer on diagnostic computed tomography scans as well as visually occult preinvasive cancer on prediagnostic computed tomography scans. Gastroenterology. 2023;165(6):1533-1546.e4. Disponible en: http://dx.doi.org/10.1053/j.gastro.2023.08.034
3. Javed S, Qureshi TA, Gaddam S, Wang L, Azab L, Wachsman AM, et al. Risk prediction of pancreatic cancer using AI analysis of pancreatic subregions in computed tomography images. Front Oncol. 2022;12:1007990. Disponible en: http://dx.doi.org/10.3389/fonc.2022.1007990
4. Pereira SP, Oldfield L, Ney A, Hart PA, Keane MG, Pandol SJ, et al. Early detection of pancreatic cancer. Lancet Gastroenterol Hepatol. 2020;5(7):698–710. Disponible en: http://dx.doi.org/10.1016/S2468-1253(19)30416-9
5. Pawłowski W, Stefański M, Włodarczyk B, Durko Ł, Małecka-Wojciesko E. Pancreatic cancer detection in intraductal papillary mucinous neoplasm (IPMN)-new insights. Cancers (Basel). 2025;17(20):3341. Disponible en: http://dx.doi.org/10.3390/cancers17203341
6. Shi Y-J, Zhang H, Wang L-L, Liu Y-L, Zhu H-T, Li X-T, et al. Deep learning automatic segmentation and radiomics model for diagnosing pancreatic solid neoplasms in MRI. BMC Cancer. 2025;25(1):1563. Disponible en: http://dx.doi.org/10.1186/s12885-025-15021-y
7. Marti-Bonmati L, Cerdá-Alberich L, Pérez-Girbés A, Díaz Beveridge R, Montalvá Orón E, Pérez Rojas J, et al. Pancreatic cancer, radiomics and artificial intelligence. Br J Radiol. 2022;95(1137):20220072. Disponible en: http://dx.doi.org/10.1259/bjr.20220072
8. Dalal V, Carmicheal J, Dhaliwal A, Jain M, Kaur S, Batra SK. Radiomics in stratification of pancreatic cystic lesions: Machine learning in action. Cancer Lett. 2020;469:228–37. Disponible en: http://dx.doi.org/10.1016/j.canlet.2019.10.023
9. Berbís MÁ, Godino FP, Rodríguez-Comas J, Nava E, García-Figueiras R, Baleato-González S, et al. Radiomics in CT and MR imaging of the liver and pancreas: tools with potential for clinical application. Abdom Radiol (NY). 2024;49(1):322–40. Disponible en: http://dx.doi.org/10.1007/s00261-023-04071-0
10. Zhang L, Li D, Su T, Xiao T, Zhao S. Effectiveness of radiomics-based machine learning models in differentiating pancreatitis and pancreatic ductal adenocarcinoma: Systematic review and meta-analysis. J Med Internet Res. 2025;27(v27i3e72420):e72420. Disponible en: http://dx.doi.org/10.2196/72420
11. Park S, Sham JG, Kawamoto S, Blair AB, Rozich N, Fouladi DF, et al. CT radiomics-based preoperative survival prediction in patients with pancreatic ductal adenocarcinoma. AJR Am J Roentgenol. 2021;217(5):1104–12. Disponible en: http://dx.doi.org/10.2214/AJR.20.23490
12. Kang Y-K, Ha S, Jeong JB, Oh SW. The value of PET/CT radiomics for predicting survival outcomes in patients with pancreatic ductal adenocarcinoma. Sci Rep. 2024;14(1):28958. Disponible en: https://www.nature.com/articles/s41598-024-77022-4
13. Degand L, Abi-Nader C, Bône A, Vetil R, Placido D, Chmura P, et al. Validation of a pretrained artificial intelligence model for pancreatic cancer detection on diagnosis and prediagnosis computed tomography scans. Invest Radiol. 2025; Disponible en: http://dx.doi.org/10.1097/RLI.0000000000001209
14. Chen P-T, Wu T, Wang P, Chang D, Liu K-L, Wu M-S, et al. Pancreatic cancer detection on CT scans with deep learning: A nationwide population-based study. Radiology. 2023;306(1):172–82. Disponible en: http://dx.doi.org/10.1148/radiol.220152
15. Yan G, Chen X, Wang Y. Diagnostic performance of artificial intelligence based on contrast-enhanced computed tomography in pancreatic ductal adenocarcinoma: a systematic review and meta-analysis. Abdom Radiol (NY). 2025; Disponible en: http://dx.doi.org/10.1007/s00261-025-05089-2
16. Yao L, Zhang Z, Keles E, Yazici C, Tirkes T, Bagci U. A review of deep learning and radiomics approaches for pancreatic cancer diagnosis from medical imaging. Curr Opin Gastroenterol. 2023;39(5):436–47. Disponible en: http://dx.doi.org/10.1097/MOG.0000000000000966