Decodificando la complejidad del cáncer de mama mediante análisis de textura en resonancia magnética

Artículo original: Güzel He, Koç AM, Adıbelli ZH, Taşlı F, Saravi B. Deciphering breast cancer complexity: a study on the predictive power of MRI texture analysis for tumor characterization and treatment response. J Belg Soc Radiol. 2025;109(1):72:1–13.

DOI: https://doi.org/10.5334/jbsr.3913

Sociedad: Belgian Society of Radiology (BSR)  @BSSR_Site

Palabras clave: breast cancer, MRI, texture, subtype, correlation

Abreviaturas y acrónimos utilizados: MRI (imagen por resonancia magnética), ROI (región de interés), AUC (área bajo la curva), DWI (imágenes ponderadas por difusión)

Línea editorial del número: Este número de Journal of the Belgian Society of Radiology incluye trabajos centrados en técnicas avanzadas de imagen y en análisis cuantitativo aplicado a la caracterización tumoral, en línea con el desarrollo de la radiómica y la imagen como biomarcador.

Motivo para la selección: He seleccionado este artículo por su enfoque en la extracción de información cuantitativa a partir de resonancias magnéticas rutinarias mediante análisis de textura, con el objetivo de caracterizar la heterogeneidad tumoral en el cáncer de mama. Desde la perspectiva de un técnico de radiología, resulta relevante porque permite comprender mejor qué parámetros de imagen pueden aportar información adicional más allá de la evaluación visual convencional y cómo este análisis puede complementar la preparación, adquisición y revisión de los estudios.

Resumen: El estudio analiza de forma retrospectiva a 70 pacientes con cáncer de mama evaluadas mediante resonancia magnética multiparamétrica previa al tratamiento. El análisis radiómico se realizó sobre secuencias ponderadas en T1 con contraste y DWI, a partir de las cuales se delimitaron regiones de interés (ROI) tumorales para la extracción de múltiples parámetros de textura, incluyendo características basadas en histogramas y matrices de coocurrencia.

El objetivo principal del trabajo es evaluar si el análisis de textura por resonancia magnética permite predecir características histopatológicas, subtipos moleculares y la respuesta al tratamiento neoadyuvante. 

Las características texturales se correlacionaron con datos clínicos, histológicos y moleculares, como el grado tumoral y los distintos subtipos de cáncer de mama. Para evaluar la capacidad predictiva, los autores aplicaron distintos modelos de aprendizaje automático, como regresión logística, Random Forest y XGBoost, considerando como métrica principal el área bajo la curva (AUC).

Los resultados muestran que determinadas características de textura se asocian de forma significativa con subtipos tumorales más agresivos y con diferencias en la respuesta al tratamiento. Los modelos predictivos alcanzaron valores de AUC en un rango aproximado de 0,64 a 0,70, siendo Random Forest el que mostró el rendimiento más alto. Estos hallazgos sugieren que el análisis de textura podría aportar información complementaria relevante a la evaluación convencional por resonancia magnética .

Los autores concluyen que el análisis de textura mediante resonancia magnética tiene potencial como biomarcador no invasivo para la caracterización del cáncer de mama y la predicción de la respuesta terapéutica, aunque subrayan la necesidad de estudios prospectivos, con mayor tamaño muestral y validación externa, antes de su posible implementación clínica.

Valoración personal: Considero que el artículo se enmarca en una línea de investigación actual y relevante en radiología oncológica, centrada en la aplicación de técnicas de radiómica y análisis de textura a la resonancia magnética para mejorar la caracterización del cáncer de mama. El planteamiento resulta atractivo, ya que propone extraer información cuantitativa adicional de estudios de imagen que ya forman parte del manejo habitual de estas pacientes, sin procedimientos invasivos.

Puntos fuertes: Destacaría la integración de parámetros de imagen con información histopatológica y molecular, reforzando la relevancia clínica del estudio y el concepto de la imagen como biomarcador. La utilización de múltiples características texturales y diferentes modelos de aprendizaje automático permiten explorar el potencial predictivo de la resonancia magnética más allá de la valoración visual convencional. Además, la metodología está bien descrita y los resultados se presentan de forma clara y estructurada, facilitando su comprensión.

Principales limitaciones: el tamaño muestral reducido y el diseño retrospectivo limitan la robustez de los resultados y aumentan el riesgo de sobreajuste de los modelos. La ausencia de una cohorte de validación externa dificulta la generalización de los hallazgos, y la falta de estandarización en la adquisición de imágenes, segmentación de lesiones y cálculo de parámetros de textura limita la reproducibilidad. Asimismo, la complejidad técnica y el tiempo requerido para realizar este análisis suponen una barrera para su aplicación inmediata en la práctica clínica diaria.

En conjunto, estimo que se trata de un trabajo interesante y bien orientado desde el punto de vista investigador, que aporta evidencia inicial sobre el valor del análisis de textura por resonancia magnética en el cáncer de mama. No obstante, sus resultados deben interpretarse con cautela y considerarse como base para futuros estudios prospectivos y multicéntricos, más que como herramienta lista para su implementación clínica rutinaria.

María Elena Herrero Martín 

TSID - TSRT - IR Tech - MSc

ocapi30@gmail.com @interRadiologia @ocapi24