Una fotografía del rostro podría aportar información relevante sobre la supervivencia de pacientes con cáncer. Investigadores de Mass General Brigham, en Estados Unidos, desarrollaron un modelo de inteligencia artificial entrenado inicialmente con más de 40 millones de imágenes faciales, capaz de identificar características asociadas con la edad y el pronóstico oncológico. En el estudio, publicado en The Lancet Digital Health, los pacientes clasificados en el grupo de mayor riesgo presentaron una tasa de mortalidad más de tres veces superior a la del grupo de menor riesgo. El hallazgo abre una nueva línea de investigación sobre biomarcadores no invasivos, aunque la tecnología todavía no está validada para orientar decisiones clínicas.

La investigación presenta FAHR-Face (Foundation Artificial Intelligence for Health Recognition-Face), un modelo de inteligencia artificial diseñado para extraer información relacionada con la salud a partir de fotografías faciales. Sus resultados fueron evaluados en pacientes con cáncer de Estados Unidos y Países Bajos, con el propósito de determinar si las características del rostro pueden aportar información pronóstica adicional a los indicadores clínicos disponibles.

Inteligencia artificial identifica diferencias en el riesgo de mortalidad de pacientes con cáncer

Uno de los principales resultados corresponde al desempeño de FAHR-FaceSurvival, una herramienta desarrollada para estimar el riesgo relativo de mortalidad a partir de fotografías faciales de pacientes oncológicos.

El análisis mostró que los pacientes ubicados en el cuartil de mayor riesgo presentaron una tasa instantánea de mortalidad 3,23 veces superior a la registrada en el cuartil de menor riesgo, después de ajustar por factores clínicos pronósticos. La asociación fue estadísticamente significativa, con un hazard ratio (HR) ajustado de 3,23 y un valor de p inferior a 0,0001.

Este resultado indica que el modelo consiguió diferenciar grupos de pacientes según su pronóstico de supervivencia. Sin embargo, el HR no representa una probabilidad individual de fallecimiento ni significa que la herramienta pueda establecer cuánto tiempo vivirá una persona. La asociación también fue observada en una cohorte independiente de pacientes con cáncer de Países Bajos, lo que permitió evaluar si el desempeño del algoritmo se mantenía fuera de los centros estadounidenses utilizados durante su desarrollo.

Los investigadores encontraron, además, que la información obtenida mediante fotografías faciales podía complementar la evaluación basada en edad cronológica y otros factores clínicos incluidos en sus modelos estadísticos.

Dos algoritmos analizan diferentes características del rostro

FAHR-Face fue entrenado inicialmente con más de 40 millones de fotografías faciales para aprender representaciones generales de las características del rostro. Posteriormente, los investigadores adaptaron esa base tecnológica a dos tareas distintas: estimación de la edad facial y evaluación pronóstica de supervivencia.

El primer algoritmo, FAHR-FaceAge, estima la edad a partir de la apariencia facial y permite estudiar las diferencias entre esa estimación y la edad cronológica. Durante su evaluación en conjuntos de imágenes públicas, alcanzó un error absoluto medio de 5,1 años, con un desempeño superior al de los modelos de referencia utilizados en la comparación.

El segundo, FAHR-FaceSurvival, fue ajustado utilizando 34.363 fotografías de pacientes con cáncer. A diferencia de FAHR-FaceAge, no necesita transformar inicialmente la apariencia facial en una estimación de edad, sino que aprende patrones directamente relacionados con los resultados de supervivencia.

Los mapas de atención utilizados por los investigadores mostraron diferencias entre las regiones faciales que influían en cada algoritmo. FAHR-FaceAge se concentró principalmente en los pliegues nasolabiales, la frente y las sienes, mientras que FAHR-FaceSurvival otorgó mayor importancia a las áreas situadas debajo de los ojos y alrededor del puente nasal.

Aunque ambos modelos proceden de una misma arquitectura de inteligencia artificial, sus resultados mostraron una correlación débil y aportaron información pronóstica complementaria. Su combinación mejoró el ajuste de los modelos de supervivencia en la cohorte de validación externa.

El estudio evaluó fotografías de pacientes oncológicos y validó los resultados en una cohorte independiente

La investigación, liderada por Fridolin Haugg y colaboradores, corresponde a un estudio de desarrollo y validación de modelos de inteligencia artificial. Su metodología incluyó entrenamiento computacional, evaluación retrospectiva de fotografías clínicas y análisis estadísticos de supervivencia. Los investigadores utilizaron información de pacientes con cáncer atendidos en centros estadounidenses, principalmente en el contexto de servicios de radioterapia, y realizaron una validación externa con pacientes de Países Bajos.

Para estudiar las asociaciones entre las puntuaciones generadas por los algoritmos y la mortalidad, emplearon modelos multivariables de riesgos proporcionales de Cox, ajustados por factores pronósticos clínicos. También examinaron el comportamiento de las herramientas en distintos grupos de edad, sexo, raza y características oncológicas.

Las pruebas incluyeron variaciones habituales de las fotografías, como iluminación, posición del rostro, expresiones faciales y maquillaje. Los resultados mostraron un desempeño relativamente estable frente a estas condiciones, aunque las modificaciones en la imagen podían producir cambios en las estimaciones.

Otra observación fue la asociación entre determinados hábitos y una mayor edad facial estimada. El tabaquismo, el consumo elevado de alcohol y el uso de drogas estuvieron relacionados con una apariencia facial de mayor edad. Estas relaciones son observacionales y no permiten establecer, por sí solas, un efecto causal sobre los resultados del algoritmo.

Los resultados se incorporan a una línea de investigación más amplia sobre biomarcadores obtenidos mediante inteligencia artificial. En este campo, CONSULTORSALUD también informó sobre un estudio que utilizó IA para identificar diferentes anomalías celulares en cáncer de mama, una aplicación distinta que busca mejorar la caracterización de los tejidos tumorales.

¿Qué implicaciones podría tener el análisis facial para la atención del cáncer?

La estimación del pronóstico constituye un componente fundamental de la atención oncológica. Las decisiones sobre cirugía, radioterapia y otros tratamientos dependen, entre otros elementos, del estadio tumoral, las condiciones generales del paciente, las comorbilidades y la capacidad funcional.

En este contexto, los investigadores plantean que el análisis facial automatizado podría convertirse en una fuente complementaria de información para estudiar la reserva física y la vulnerabilidad clínica de los pacientes, especialmente cuando se evalúan intervenciones de elevada intensidad.

Raymond Mak, oncólogo radioterápico de Mass General Brigham Cancer Institute y uno de los autores responsables de la investigación, explicó que el objetivo es hacer más cuantitativa, consistente y escalable la evaluación de la salud mediante fotografías faciales, de manera que pueda apoyar las decisiones personalizadas sin reemplazar el juicio médico.

Una de las ventajas potenciales de esta aproximación es que utiliza fotografías convencionales, sin requerir inicialmente procedimientos invasivos ni equipos especializados de diagnóstico por imagen. No obstante, el estudio no demuestra que incorporar estas puntuaciones a la valoración clínica mejore la supervivencia, reduzca complicaciones o produzca mejores decisiones terapéuticas. Tampoco establece que el algoritmo supere la evaluación realizada por profesionales mediante herramientas convencionales de fragilidad y estado funcional.

Por tanto, su principal aportación actual corresponde a la identificación de señales faciales asociadas estadísticamente con el pronóstico oncológico y al desarrollo de una metodología que podría investigarse como complemento de los indicadores existentes.

¿Qué falta para utilizar esta inteligencia artificial en la práctica clínica?

Aunque los resultados muestran capacidad para diferenciar grupos de riesgo, FAHR-FaceSurvival todavía no constituye una herramienta validada para determinar el pronóstico individual de pacientes con cáncer. Una de las principales limitaciones es el carácter retrospectivo de la investigación. Los algoritmos fueron evaluados con fotografías e información clínica previamente registradas, sin demostrar cómo modificarían las decisiones médicas en escenarios asistenciales prospectivos.

También será necesario establecer si las puntuaciones aportan valor adicional frente a la valoración directa del médico, las escalas de fragilidad, el estado funcional y otros biomarcadores pronósticos. La validación externa constituye un avance metodológico, pero no elimina la necesidad de estudiar su desempeño en poblaciones más amplias y diversas.

La interpretación de las características faciales plantea otros desafíos. Las regiones identificadas mediante mapas de atención muestran qué partes de la imagen influyen en las estimaciones, pero no explican necesariamente los mecanismos biológicos responsables de su asociación con la mortalidad.

Además, cualquier aplicación asistencial requeriría considerar la privacidad de los datos biométricos, el consentimiento de los pacientes y la posibilidad de sesgos relacionados con características demográficas o condiciones de adquisición de las imágenes. Los investigadores continúan ampliando la evaluación de estas tecnologías mediante estudios destinados a mejorar la validación de las medidas faciales en diferentes poblaciones.

La investigación publicada en The Lancet Digital Health establece así una aproximación experimental para obtener información pronóstica mediante fotografías del rostro. Su incorporación a la atención oncológica dependerá de demostrar que estas señales son reproducibles, clínicamente útiles y capaces de complementar de manera segura los métodos que actualmente orientan el tratamiento de pacientes con cáncer.