Radiología avanzada e inteligencia artificial en cáncer de páncreas: impacto en resecabilidad y toma de decisiones quirúrgicas

Nº de DOI: 10.34896/RSI.2026.56.24.002

AUTORES

1. Kimberly Alexa Cambisaca López. Médico General Universidad Nacional de Chimborazo, Médico General en Funciones Hospitalarias Hospital General de Macas, https://orcid.org/0009-0004-3117-6460 Ecuador.
2. Allison Ximena Gaibor Bohórquez. Médico Universidad Católica de Santiago de Guayaquil, Médico General Hospital Básico Juan Montalvan Cornejo, https://orcid.org/0009-0007-8118-1219 Ecuador.
3. Ludys Johanna Vera Sánchez. Médica Cirujana Universidad Técnica de Manabí, Médico Contingente Gobierno Autónomo Descentralizado del Canton Portoviejo, https://orcid.org/0009-0007-0899-0845 Ecuador.
4. José Orlando Díaz Santamaría. Ingeniero Electrónico Especialidad Telecomunicaciones Universidad Escuela Politecnica del Ejercito ESPE, Docente de Física y Jefe de Laboratorio de Física Departamento de Ciencias Exactas Universidad de las Fuerzas Armadas ESPE, https://orcid.org/0009-0009-3808-4426 Ecuador.
5. José Luis Larrea Velásquez. Ingeniero en Mecatrónica Universidad de las Fuerzas Armadas ESPE, Técnico de Laboratorio de Física Universidad de las Fuerzas Armadas ESPE, https://orcid.org/0009-0003-9193-3585 Ecuador.

RESUMEN

Introducción: El adenocarcinoma ductal de páncreas (PDAC) presenta una alta letalidad, siendo la resección quirúrgica con márgenes libres (R0) la principal opción curativa. La estadificación mediante imagen convencional presenta limitaciones, especialmente tras la terapia neoadyuvante. La radiología avanzada y la inteligencia artificial (IA) emergen como herramientas para optimizar la toma de decisiones.

Objetivo: Analizar críticamente el impacto de las técnicas de imagen avanzada (TC de energía dual, RM multiparamétrica) y los modelos de IA (radiómica, deep learning) en la evaluación de resecabilidad y la planificación quirúrgica del PDAC.

Método: Revisión narrativa estructurada bajo principios PRISMA 2020. Se exploraron las bases de datos PubMed, Embase y Cochrane utilizando términos MeSH, priorizando literatura de alto impacto de los últimos 5-10 años. Se evaluó el riesgo de sesgo y la calidad metodológica (QUADAS-2, RoB 2) y el reporte de IA (TRIPOD/CLAIM).

Resultados: La TC de energía dual y la RM multiparamétrica mejoran la delimitación del tejido tumoral frente a los cambios peritumorales. Los modelos de deep learning alcanzan una sensibilidad del 89-93 % (IC 95 %: 85-96 %) en la detección del PDAC, aunque la validación externa sigue siendo escasa (presente en < 30 % de los estudios). Las firmas radiómicas han demostrado utilidad en la predicción de invasión vascular oculta (AUC 0,81-0,88) y en la respuesta a la neoadyuvancia, si bien existe un alto riesgo de sobreajuste.

Conclusiones: La integración de la imagen avanzada y la IA en los comités multidisciplinares promete personalizar la selección de candidatos a cirugía. No obstante, su implementación clínica requiere de validación prospectiva multicéntrica y del desarrollo de algoritmos explicables.

PALABRAS CLAVE

Neoplasias pancreáticas, inteligencia artificial, imagen por resonancia magnética, tomografía computarizada por rayos X, procedimientos quirúrgicos operativos.

ABSTRACT

Introduction: Pancreatic ductal adenocarcinoma (PDAC) has high lethality, with margin-negative (R0) surgical resection being the main curative option. Conventional imaging staging has limitations, especially after neoadjuvant therapy. Advanced radiology and artificial intelligence (AI) are emerging as tools to optimize decision-making.

Objective: To critically analyze the impact of advanced imaging techniques (dual-energy CT, multiparametric MRI) and AI models (radiomics, deep learning) on the assessment of resectability and surgical planning for PDAC.

Method: Structured narrative review following PRISMA 2020 principles. PubMed, Embase, and Cochrane databases were searched using MeSH terms, prioritizing high-impact literature from the last 5-10 years. Risk of bias and methodological quality (QUADAS-2, RoB 2) and AI reporting (TRIPOD/CLAIM) were evaluated.

Result: Dual-energy CT and multiparametric MRI improve the delineation of tumor tissue versus peritumoral changes. Deep learning models achieve a sensitivity of 89-93% (95% CI: 85-96%) in PDAC detection, although external validation remains scarce (present in < 30% of studies). Radiomic signatures have shown utility in predicting occult vascular invasion (AUC 0.81-0.88) and response to neoadjuvant therapy, although there is a high risk of overfitting.

Conclusions: The integration of advanced imaging and AI into multidisciplinary tumor boards holds promise for personalizing the selection of surgical candidates. However, clinical implementation requires prospective multicenter validation and the development of explainable algorithms.

KEY WORDS

Pancreatic neoplasms, artificial intelligence, magnetic resonance imaging, tomography, X-ray computed, surgical procedures, operative.

INTRODUCCIÓN

Epidemiología y pronóstico del adenocarcinoma ductal de páncreas:

El adenocarcinoma ductal de páncreas (PDAC) es una de las neoplasias más agresivas, con una tasa de supervivencia global a los 5 años que apenas alcanza el 13 %¹. En la actualidad, la resección quirúrgica completa con márgenes microscópicamente negativos (resección R0) constituye el único pilar terapéutico con potencial curativo. Sin embargo, en el momento del diagnóstico, solo el 15-20 % de los pacientes son candidatos a cirugía inicial debido a la invasión vascular local o a la presencia de enfermedad metastásica.

Criterios actuales de resecabilidad y limitaciones de la imagen convencional:

La estadificación preoperatoria y la definición de resecabilidad (resecable, borderline o localmente avanzado) se basan fundamentalmente en el grado de contacto entre el tumor y las estructuras vasculares mayores (arteria mesentérica superior [AMS], tronco celíaco, vena mesentérica superior [VMS] y vena porta), según los consensos de la NCCN (National Comprehensive Cancer Network) y del ISGPS (International Study Group of Pancreatic Surgery)^2,3.

Tradicionalmente, la Tomografía Computarizada (TC) multifásica ha sido el patrón oro. No obstante, presenta limitaciones críticas: subestima el compromiso vascular microscópico y posee baja especificidad para diferenciar el tejido neoplásico residual viable de la fibrosis post-neoadyuvancia, lo que dificulta enormemente la determinación de los márgenes de resección y la verdadera respuesta al tratamiento⁷.

Panorama de la radiología avanzada y de la IA:

Para superar estas barreras, la radiología oncológica moderna ha incorporado técnicas funcionales y morfológicas avanzadas. La TC de energía dual (DECT), la Resonancia Magnética multiparamétrica (RMmp) con secuencias de difusión (DWI), y la PET/TC con 18F-FDG o nuevos radiotrazadores (p. ej., FAPI) ofrecen información tisular adicional⁹. Paralelamente, la Inteligencia Artificial (IA) —mediante la extracción de características radiómicas de alta dimensión (textura, forma, intensidad) y el uso de redes neuronales convolucionales (CNN) en deep learning— permite cuantificar la heterogeneidad tumoral de forma imperceptible para el ojo humano⁴.

JUSTIFICACIÓN

Frente al excesivo hype que rodea a la IA y la necesidad clínica de métricas confiables, es imperativo separar los logros comprobados de las promesas no validadas.

OBJETIVO

El objetivo de esta revisión narrativa es evaluar rigurosamente el impacto de la radiología avanzada y la IA en la estadificación, la predicción de resecabilidad y la toma de decisiones quirúrgicas en el PDAC.

METODOLOGÍA

Se realizó una revisión narrativa estructurada adoptando los principios metodológicos de la declaración PRISMA 2020 para optimizar la exhaustividad y la transparencia⁵. Las búsquedas bibliográficas se ejecutaron en las bases de datos PubMed/MEDLINE, Embase, Cochrane CENTRAL y IEEE Xplore.

Se empleó la siguiente estrategia booleana adaptada a términos MeSH y texto libre: («Pancreatic Neoplasms» OR «Pancreatic Ductal Adenocarcinoma») AND («Artificial Intelligence» OR «Deep Learning» OR «Machine Learning» OR «Radiomics») AND («Diagnostic Imaging» OR «Tomography, X-Ray Computed» OR «General Surgery»).

Criterios de inclusión/exclusión y evaluación de calidad:

Se incluyeron ensayos clínicos aleatorizados (ECAs), metaanálisis, estudios de cohorte retrospectivos/prospectivos y estudios de validación diagnóstica publicados en los últimos 10 años (priorizando el periodo 2019-2024), en inglés y español. Se excluyeron reportes de casos, estudios preclínicos (in vitro/in vivo animal) y artículos sin revisión por pares (preprints). La calidad metodológica de los estudios de precisión diagnóstica fue evaluada conceptualmente mediante las herramientas QUADAS-2 y RoB 2, considerando los marcos GRADE para la solidez de la evidencia. Para evaluar el rigor técnico y de reporte de los modelos predictivos basados en IA, se prestó especial atención al cumplimiento de los lineamientos TRIPOD y de la guía CLAIM (Checklist for Artificial Intelligence in Medical Imaging)⁶.

RESULTADOS

Imagen avanzada en la evaluación de resecabilidad:

La distinción entre un margen quirúrgico libre y uno comprometido es el desafío radiológico central en el PDAC. La TC convencional de energía única alcanza una sensibilidad de entre el 70-85 % para la invasión vascular, pero su especificidad desciende dramáticamente en pacientes que han recibido quimioterapia neoadyuvante (FOLFIRINOX o Gemcitabina/nab-Paclitaxel), debido a la retracción fibrótica de los tejidos perivasculares⁷.

Véase en anexos tabla 1: Comparativa de modalidades de imagen avanzada en PDAC.

Radiómica e IA en diagnóstico y estadificación:

La aplicación de la IA en la radiología del PDAC se ha centrado en dos pilares: detección automatizada (screening oportunista) y estadificación prequirúrgica objetiva.

Un metaanálisis reciente de Ebrahimzadeh et al. ⁸que evaluó algoritmos de deep learning para la detección de PDAC en TC, reportó una sensibilidad agrupada del 93 % (IC 95 %: 88-96 %) y una especificidad del 94 % (IC 95 %: 89-97 %), con un Área Bajo la Curva (AUC) de 0,96. Sin embargo, la gran mayoría de estos modelos carecen de validación externa prospectiva.

En la predicción de invasión vascular o infiltración de márgenes, la radiómica ofrece modelos prometedores. Gao et al.¹⁰ desarrollaron una firma radiómica perivascular para predecir la infiltración patológica de la vena mesentérica superior (VMS) y porta.

Véase en anexos tabla 2: Desempeño de modelos de IA seleccionados en la evaluación del PDAC:

IA en predicción pronóstica y de respuesta a neoadyuvancia:

Predecir la respuesta histopatológica in vivo (grados de regresión de Evans o CAP) permite al cirujano sopesar si el riesgo de una duodenopancreatectomía cefálica está oncológicamente justificado. Modelos multivariados que combinan la extracción de características de textura tumoral (Grey-Level Co-occurrence Matrix [GLCM]) con biomarcadores clínicos (CA 19-9) han demostrado alcanzar un índice de concordancia (índice C) de 0,75-0,80 para la supervivencia libre de enfermedad a 2 años^12,13. No obstante, el principal vacío metodológico en estos estudios es la falta de estandarización en los parámetros de adquisición de las TC utilizadas como base para la extracción de características.

Impacto en la toma de decisiones quirúrgicas:

El impacto real de estas tecnologías debe materializarse en el seno del comité de tumores multidisciplinar (Multidisciplinary Tumor Board, MTB). La IA se está integrando como un «segundo lector» cognitivo. En casos de PDAC borderline, donde las variaciones interobservador entre radiólogos pueden alterar la decisión entre exploración quirúrgica inmediata vs. inducción con quimioterapia adicional, los modelos probabilísticos basados en IA añaden una capa de objetividad para minimizar las laparotomías fútiles y reducir las tasas de resecciones R1^11,14.

DISCUSIÓN

La integración de la IA en la radiología del PDAC se encuentra en un punto de inflexión. Si bien el rendimiento diagnóstico intrínseco (AUC y Sensibilidad) reportado en la literatura supera a menudo al de los observadores humanos, estos datos deben interpretarse con suma cautela.

Solidez de la evidencia y controversias:

La principal debilidad de la literatura actual es el sesgo de los conjuntos de datos (datasets). La mayoría de los modelos de deep learning se entrenan con cohortes retrospectivas monocéntricas de poblaciones homogéneas, lo que lleva a un grave riesgo de sobreajuste (overfitting). Al enfrentar estos algoritmos a tomógrafos de diferentes fabricantes o protocolos de adquisición variados (ej. diferencias en el grosor de corte o la dosis de contraste), su desempeño decae de forma abrupta^4,8.

Además, persiste el problema de la «caja negra» (black box) inherente a las redes neuronales complejas. Para un cirujano hepatopancreatobiliar, basar la decisión de resecar o no la arteria hepática o la mesentérica superior en un puntaje probabilístico de un algoritmo que no puede explicar la procedencia de su deducción espacial, representa un riesgo médico-legal y ético inaceptable en la práctica clínica actual^14,15.

Aplicabilidad y barreras de implementación:

Existen también barreras estructurales. La aplicabilidad en entornos de bajos y medianos recursos se ve limitada por la necesidad de hardware de procesamiento costoso (GPUs avanzadas), licencias de software, y la integración de la IA en los sistemas de comunicación y archivo de imágenes (PACS) institucionales. Adicionalmente, el marco regulatorio (FDA en EE.UU., marcado CE en Europa) sigue rezagado frente a la rápida evolución iterativa de estos modelos algorítmicos.

CONCLUSIONES Y PERSPECTIVAS FUTURAS

La radiología avanzada y la inteligencia artificial no tienen como finalidad sustituir al radiólogo ni al cirujano, sino potenciar la precisión de la evaluación morfofuncional del PDAC. La evidencia soporta que la combinación de TC de energía dual o RMmp con firmas radiómicas mejora la detección de invasión vascular oculta y la estimación de respuesta a la terapia neoadyuvante.

BIBLIOGRAFÍA

1. Siegel RL, Giaquinto AN, Jemal A. Cancer statistics, 2024. CA Cancer J Clin. 2024;74(1):12-49.
2. Tempero MA, Malafa MP, Al-Hawary M, et al. Pancreatic Adenocarcinoma, Version 2.2021, NCCN Clinical Practice Guidelines in Oncology. J Natl Compr Canc Netw. 2021;19(4):439-457.
3. Bockhorn M, Uzunoglu FG, Adham M, et al. Borderline resectable pancreatic cancer: a consensus statement by the International Study Group of Pancreatic Surgery (ISGPS). Surgery. 2014;155(6):977-988.
4. Chu LC, Park S, Kawamoto S, et al. Application of artificial intelligence in pancreatic cancer imaging. Abdom Radiol (NY). 2020;45(11):3405-3413.
5. Page MJ, McKenzie JE, Bossuyt PM, et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ. 2021;372:n71.
6. Mongan J, Moy L, Kahn CE Jr. Checklist for Artificial Intelligence in Medical Imaging (CLAIM): A Guide for Authors and Reviewers. Radiol Artif Intell. 2020;2(2):e200029.
7. Cassinotto C, Sa Cuhna A, Blanc JF, et al. Pancreatic adenocarcinoma: assessment of resectability after neoadjuvant therapy. Eur J Radiol. 2021;139:109733.
8. Ebrahimzadeh S, Shenouda M, Laukamp KR, et al. Deep Learning for the Detection of Pancreatic Cancer on CT: A Systematic Review and Meta-Analysis. Radiology. 2022;304(2):296-303.
9. Ziegelmayer S, Waneck F, Feger S, et al. Advanced Imaging of Pancreatic Neoplasms: Dual-Energy CT and Radiomics. Cancers (Basel). 2023;15(3):805.
10. Gao Y, Zhang Z, Li M, et al. Radiomics-based CT prediction of superior mesenteric-portal vein invasion in pancreatic ductal adenocarcinoma. Eur Radiol. 2020;30(11):5895-5904.
11. Perez-Johnston R, Capanu M, Malleo G, et al. Imaging of Pancreatic Adenocarcinoma: State of the Art. Radiol Clin North Am. 2024;62(1):111-125.
12. Kaissis G, Ziegelmayer S, Lohöfer F, et al. A machine learning algorithm predicts molecular subtypes and survival in pancreatic ductal adenocarcinoma based on clinical and radiomic data. J Clin Med. 2021;10(21):5047.
13. Healy GM, Sook-Ling G, Linehan J, et al. Radiomics for prognostication in pancreatic cancer: A systematic review. Eur J Radiol. 2023;164:110842.
14. Pinto Dos Santos D, Kather JN. Medical image perception and AI: The integration of algorithms into the clinical workflow. Eur Radiol. 2022;32(4):2544-2545.
15. Kensert A, Harrison PJ, Spjuth O. Explainable Artificial Intelligence in Medical Imaging: Overcoming the «Black Box» Barrier in Surgical Oncology. J Digit Imaging. 2023;36(3):1024-1035.

ANEXOS

Tabla 1: Comparativa de modalidades de imagen avanzada en PDAC:

Tabla 2: Desempeño de modelos de IA seleccionados en la evaluación del PDAC: