¡Revolucionando el diagnóstico del cáncer de mama! No solo la IA, las matemáticas también están haciendo avanzar el diagnóstico del cáncer de mama

El tejido extraído durante una prueba de cáncer de mama es examinado minuciosamente bajo un microscopio por un patólogo.

No solo se verifica la presencia de células cancerosas. Se evalúa cuánto han cambiado las formas celulares respecto al tejido normal, si la estructura original de la glándula mamaria se mantiene, si las células están organizadas regularmente o si se han dispersado desordenadamente. Los patólogos integran diversas características para determinar el tipo y grado de malignidad del cáncer.

Para decidir el enfoque del tratamiento del cáncer de mama, se utiliza una gran cantidad de información, como la presencia de receptores que reaccionan a hormonas femeninas, la proteína llamada HER2, la capacidad de proliferación celular, el tamaño del tumor y la metástasis a los ganglios linfáticos.

Aun así, predecir con precisión cómo progresará el cáncer en cada paciente y cuál tratamiento será más efectivo no es tarea fácil.

En respuesta a estos desafíos, un equipo de investigación de la Universidad de Columbia ha presentado un nuevo método de evaluación utilizando "topología", un campo de las matemáticas.

El objetivo del equipo de investigación fue expresar de manera continua en números el "orden" o "desorden" del tejido tumoral que los patólogos han evaluado visualmente. Al convertir la estructura del tejido en datos calculables, existe la posibilidad de predecir con mayor precisión la supervivencia del paciente y la respuesta al tratamiento.

El "orden" de las células en el tejido normal y canceroso es diferente

En una glándula mamaria normal, las células mantienen un rol y disposición específicos, formando estructuras como conductos y lóbulos.

Sin embargo, cuando las células se vuelven cancerosas, este orden se pierde gradualmente. Las células varían en tamaño y forma, y la forma del núcleo se vuelve irregular. La estructura glandular original se desintegra y los límites de los grupos celulares se vuelven difusos.

Generalmente, los tumores que mantienen una estructura cercana al tejido normal tienden a progresar más lentamente. Por otro lado, los tumores que han perdido significativamente su orden pueden tener una proliferación y una invasión más activas hacia los tejidos circundantes.

Los patólogos han observado estos cambios en el tejido desde hace tiempo.

Sin embargo, es difícil cuantificar completamente las complejas morfologías solo con el ojo humano. Aunque existen criterios claros para el diagnóstico patológico, hay diferencias sutiles que no pueden expresarse en unos pocos grados de clasificación.

Incluso entre pacientes clasificados en el mismo grado, la respuesta al tratamiento y el riesgo de recurrencia pueden no ser los mismos. El equipo de investigación intentó extraer matemáticamente estas diferencias sutiles que se perdían en las clasificaciones tradicionales.

Análisis de tejidos de 555 pacientes con cáncer de mama

En el estudio, se analizaron datos de tejidos de 555 pacientes con cáncer de mama de diversos orígenes, principalmente de Carolina del Norte, EE. UU.

El equipo de investigación utilizó una técnica llamada tinción inmunofluorescente múltiple para identificar varias células y moléculas dentro del tejido tumoral.

El análisis incluyó no solo células cancerosas, sino también células inmunitarias como las células T CD8 positivas, células relacionadas con macrófagos y células estromales que rodean el tumor. También se examinó la expresión de PD-L1, que está relacionada con el mecanismo de supresión de la respuesta inmune.

El equipo de investigación no solo contó el número de células.

Registraron la ubicación de cada célula dentro del tejido como coordenadas y analizaron cómo se agrupan las células cancerosas, qué tan cerca están las células inmunitarias de las células cancerosas y qué tipo de espacios existen entre los grupos celulares.

En otras palabras, no solo investigaron "cuántas células hay", sino también "dónde están ubicadas y qué tipo de relaciones forman entre sí".

Medición de la forma del tejido mediante "homología persistente"

Para cuantificar la compleja disposición de las células, se utilizó un método matemático llamado "homología persistente".

Este método examina las formas, conexiones y estructuras similares a agujeros presentes en los datos desde diferentes escalas.

Es más fácil de entender si se considera cada célula como un punto en un mapa.

Se dibuja un pequeño círculo alrededor de cada punto y se agranda gradualmente. Cuando los círculos son pequeños, las células existen como puntos independientes. A medida que los círculos se agrandan, las células cercanas se conectan y forman múltiples grupos.

Al expandir aún más los círculos, los grupos separados se fusionan. En este proceso, se crean y eventualmente desaparecen espacios y agujeros rodeados por grupos celulares.

La homología persistente calcula en qué escala aparecen y cuánto tiempo permanecen cada grupo o espacio.

Las estructuras que desaparecen rápidamente pueden ser variaciones aleatorias o ruido en la imagen. Por otro lado, las estructuras que persisten a través de diferentes escalas probablemente reflejan características esenciales del tejido.

El equipo de investigación convirtió esta información en valores numéricos que pueden ser manejados por análisis estadísticos y aprendizaje automático. Luego, combinaron distancias entre células, densidad celular, forma de los grupos y la intensidad de PD-L1 para crear una puntuación que indica el orden del tejido tumoral.

Una puntuación alta indica una estructura de tejido relativamente ordenada. Una puntuación baja indica que la disposición celular está significativamente alterada y que el desorden del tejido ha aumentado.

Mejor evolución en pacientes con alto orden tisular

Los resultados del estudio mostraron que la puntuación basada en topología estaba relacionada con la supervivencia de los pacientes con cáncer de mama.

Los pacientes con una puntuación alta, que indica una estructura tisular relativamente ordenada, tendieron a tener una mayor supervivencia y un curso más favorable. Por otro lado, los tumores con puntuaciones bajas, que han perdido su orden tisular, estaban asociados con una naturaleza más agresiva.

Incluso al analizar solo la estructura de las células tumorales, se observó cierto poder predictivo, y la inclusión de información sobre células inmunitarias y PD-L1 a veces mejoró el rendimiento del modelo.

El artículo de investigación informó que los indicadores basados en topología mostraron una mayor precisión en la predicción del pronóstico en comparación con algunos marcadores genéticos y proteicos tradicionales.

Sin embargo, esto no significa que las pruebas tradicionales se vuelvan innecesarias.

El pronóstico del cáncer de mama depende de muchos factores, como el tamaño del tumor, el grado de avance, el tipo molecular, el tratamiento, la edad del paciente y su estado de salud. La nueva puntuación se espera como información adicional, no como un reemplazo de las pruebas existentes.

Posible menor diferencia de predicción según raza o etnia

En este estudio, también se destacó que el poder predictivo del indicador topológico fue relativamente estable entre pacientes negros no hispanos y pacientes blancos no hispanos.

Los modelos predictivos médicos pueden tener una menor precisión en ciertos grupos dependiendo de la composición de los datos utilizados para su desarrollo.

Se ha informado que algunos biomarcadores tradicionales muestran diferencias en el rendimiento predictivo según la raza o etnia. El indicador topológico en este estudio mostró una tendencia a tener menos variabilidad en el rendimiento según el grupo de pacientes en comparación con esos biomarcadores.

Una tecnología que puede mantener una precisión estable en diversos pacientes es importante para no ampliar las disparidades en la atención médica.

Sin embargo, este resultado por sí solo no prueba la equidad. La raza y la etnia no son clasificaciones biológicas simples, sino que también están relacionadas con factores sociales como el acceso a la atención médica, el entorno de vida, los ingresos y el tiempo hasta el inicio del tratamiento.

Para su uso en diferentes países o regiones, se necesitará una validación adicional con una población de pacientes más amplia.

Predicción de la respuesta al tratamiento combinando información genética

El equipo de investigación también combinó la puntuación topológica obtenida de las imágenes del tejido con datos de expresión genética.

Como resultado, se identificaron grupos de genes que se correlacionan con las características estructurales del tejido, creando una "firma genética derivada de la topología".

Al aplicar esta firma genética a datos de ensayos clínicos de cáncer de mama, se sugirió la posibilidad de predecir la respuesta a la terapia farmacológica administrada antes de la cirugía.

En el cáncer de mama, a veces se administra quimioterapia o terapia dirigida antes de la cirugía para reducir el tamaño del tumor.

El estado en el que no se detecta cáncer invasivo en la muestra quirúrgica después del tratamiento se llama "respuesta patológica completa" y es un indicador importante para considerar el curso posterior.

En el futuro, si se pueden integrar la forma del tejido, los genes, las proteínas y la información clínica del paciente, podría ser posible determinar de manera más individualizada qué tratamiento es más efectivo para cada paciente.

Sin embargo, en la etapa actual, no se puede seleccionar un medicamento de tratamiento utilizando la puntuación topológica. Lo que se ha demostrado es la posibilidad de que la información sobre la respuesta al tratamiento también esté contenida en la estructura del tejido, y se necesita una validación adicional para su uso clínico.

El desorden tisular también está relacionado con el metabolismo y la inmunidad

El estudio sugirió que el desorden estructural del tejido no es solo un cambio visual, sino que también puede estar relacionado con el metabolismo interno del tumor y la actividad inmune.

Una puntuación topológica baja estaba relacionada con rutas genéticas involucradas en la movilidad celular, la invasión, la supresión inmune y el fenómeno conocido como transición epitelial-mesenquimal.

El equipo de investigación se centró especialmente en una enzima metabólica llamada IL4I1 y un mecanismo que conecta con un receptor llamado AHR.

Esta ruta puede estar relacionada con la proliferación y movilidad de las células cancerosas y la supresión de la respuesta inmune. En el estudio, los tumores con una actividad fuerte de esta ruta metabólica tendían a mostrar una pérdida de orden tisular.

Sin embargo, no está claro cuál es la causa y cuál es el efecto.

¿El cambio en el metabolismo y la inmunidad provoca el desorden estructural del tejido, o el desorden estructural del tejido resulta en cambios en el metabolismo y el entorno inmune, o ambos se influyen mutuamente? Se necesitan otros experimentos para confirmar la relación causal.

No es una "tecnología de detección temprana del cáncer de mama"

Hay un punto especialmente importante a tener en cuenta para comprender este estudio.

Este método no es una tecnología de detección para encontrar cáncer de mama no detectado, como la mamografía o la ecografía.

Es un método para analizar en detalle el tejido tumoral ya extraído de los pacientes, evaluando la naturaleza del cáncer, el pronóstico y la respuesta al tratamiento.

Aunque los titulares de noticias pueden describirlo como un "método para mejorar el diagnóstico", es más preciso considerarlo como una tecnología para ayudar en el diagnóstico patológico y la predicción del pronóstico.

Además, la tinción inmunofluorescente múltiple utilizada en este estudio no es una prueba que se use rutinariamente en todas las instituciones médicas.

El equipo de investigación busca desarrollar un método que pueda analizarse con tinciones ampliamente utilizadas en pruebas patológicas comunes, como la tinción H&E, y aplicarlo al diagnóstico patológico estándar.

Si se puede utilizar en diapositivas patológicas estándar, existe la posibilidad de expandir el análisis de imágenes avanzadas no solo en grandes hospitales universitarios, sino también en instituciones médicas locales y lugares con recursos médicos limitados.

Expectativas de medicina personalizada en redes sociales

Los resultados de la investigación también fueron presentados en las cuentas de redes sociales de la división médica, el centro de cáncer y el departamento de patología de la Universidad de Columbia.

En la cuenta oficial de X de la Universidad de Columbia, se presentó la investigación como un estudio que evalúa los patrones del tejido de cáncer de mama de una nueva manera y conecta con la predicción del curso del paciente. En la publicación del centro de cáncer, se destacó la conversión de la estructura del tejido en biomarcadores basados en topología.

En Instagram, se presentó la investigación como "una gran noticia" al ser cubierta por los medios generales. Se destacó como un estudio que combina matemáticas, patología y análisis de imágenes digitales.

Medical Xpress también presentó la investigación en X y Facebook, destacando el punto de "medir la estructura del tejido del cáncer de mama como una puntuación continua". También fue compartido por cuentas que difunden información médica, extendiéndose como un nuevo ejemplo de patología digital y medicina personalizada.

Las principales reacciones que se pueden leer de las publicaciones públicas se pueden resumir en las siguientes expectativas.

¿Se podrá medir objetivamente la información que ha dependido de la experiencia del patólogo? ¿Se podrá hacer una selección de tratamiento más precisa para cada paciente? ¿Se podrá expandir la tecnología de diagnóstico avanzado más allá de los grandes hospitales bien equipados?

Por otro lado, al 4 de agosto de 2026, las publicaciones públicas verificables se centran en presentaciones por parte de instituciones de investigación y medios médicos. No se ha acumulado un debate a gran escala por parte de pacientes o médicos clínicos, ni opiniones claras a favor o en contra, ni experiencias de uso real.

No se puede concluir que "ha sido evaluado y confirmado por la comunidad médica" o que "se puede usar inmediatamente en la práctica clínica" solo basándose en el número de presentaciones en redes sociales o expresiones favorables.

En las nuevas tecnologías médicas, no solo se debe considerar la precisión de los resultados de la investigación, sino también la posibilidad de errores, la explicación al paciente, los costos de implementación, el tiempo de prueba, la gestión de información personal y las diferencias en la calidad de las imágenes entre las instituciones médicas.