Investigadores norteamericanos desarrollaron y validaron cinco modelos de aprendizaje profundo capaces de identificar subtipos moleculares del meningioma, detectar alteraciones cromosómicas y predecir el riesgo de recurrencia usando únicamente tinciones histológicas estándar.
El meningioma es el tumor cerebral primario más frecuente y su manejo clínico ha sido transformado en los últimos años por la clasificación molecular, que agrupa estos tumores según su biología y pronóstico con mayor precisión que la gradación tradicional de la Organización Mundial de la Salud. El problema es que esa clasificación requiere perfilado de metilación del ADN, una técnica costosa disponible solo en centros de referencia terciarios. Un estudio publicado en The Lancet Digital Health por investigadores de múltiples instituciones, incluidas la University Health Network de Canadá, el Instituto Nacional del Cáncer (NCI, en inglés) de Estados Unidos y Mayo Clinic, describe el desarrollo y validación de modelos de aprendizaje profundo capaces de obtener la misma información directamente de imágenes de tinción de hematoxilina y eosina (H&E), el procedimiento histológico más básico y ubicuo de la patología clínica.
El meningioma puede clasificarse en cuatro grupos moleculares con características biológicas y clínicas distintas: el grupo 1 (MG1) corresponde a tumores inmunogénicos con evolución clínica benigna; el grupo 2 (MG2) agrupa tumores NF2-silvestres, también de curso benigno; el grupo 3 (MG3) reúne tumores hipermetabólicos con resultados intermedios a desfavorables; y el grupo 4 (MG4) comprende tumores proliferativos con alta inestabilidad genómica, peor pronóstico y escasa respuesta a la radioterapia. Esta clasificación tiene implicaciones terapéuticas directas, pues permite identificar qué pacientes se beneficiarían de radioterapia adyuvante y quiénes deberían ser priorizados para ensayos clínicos.
Para construir sus modelos, los investigadores reunieron una cohorte de 672 meningiomas con imágenes H&E digitalizadas y perfilado de metilación del ADN disponibles de forma paralela. El entrenamiento se realizó con 439 casos del NCI, y la validación externa con 166 casos de la University Health Network. Un tercer conjunto de 67 casos de Mayo Clinic, integrado exclusivamente por meningiomas de grado 2 con resección total, sirvió para validar el modelo de predicción de resultados clínicos. Se entrenaron cinco modelos independientes de aprendizaje profundo, cada uno orientado a una variable derivada de la metilación: grupo molecular, grupo de riesgo de recurrencia, pérdida del cromosoma 1p, ganancia del cromosoma 1q y pérdida del cromosoma 22q.
Los resultados de clasificación molecular mostraron valores de área bajo la curva ROC de 0.98 para MG1, 0.96 para MG2, 0.81 para MG3 y 0.88 para MG4 en la cohorte de validación externa, con precisiones balanceadas de entre 87% y 97% al aplicar un umbral de probabilidad de 0.4. Cuando un modelo de IA clasifica algo, no da una respuesta binaria simple sino una probabilidad. La curva ROC es una forma de medir qué tan bien el modelo distingue entre dos cosas, por ejemplo, “este tumor es MG1” frente a “este tumor no es MG1”. El área bajo esa curva (AUC, en inglés) va de 0 a 1: un valor de 1 significa clasificación perfecta, y 0.5 significa que el modelo no es mejor que el azar.
Los valores reportados (0.98 para MG1, 0.96 para MG2, 0.81 para MG3 y 0.88 para MG4) indican que el modelo distingue muy bien cada grupo del resto, especialmente MG1 y MG2. MG3 tiene el valor más bajo, lo que es consistente con lo que el propio estudio describe: ese grupo es biológicamente más heterogéneo y comparte características con los grupos vecinos, lo que lo hace más difícil de identificar con claridad.
Asimismo, el umbral de 0.4 significa que el modelo solo emite una clasificación cuando está al menos 40% seguro de cuál grupo es; si no alcanza ese nivel de confianza, prefiere no clasificar. Con ese filtro, la precisión sube a entre 87% y 97%. Al juntar MG3 y MG4 en una sola categoría maligna, la precisión llega a 97%, lo que tiene sentido clínico porque ambos grupos comparten peor pronóstico y manejo similar.
En términos generales, los pacientes clasificados como alto riesgo tuvieron una supervivencia libre de progresión mediana de 6.86 años, frente a 14.64 años en los de bajo riesgo. Es decir, en promedio casi el doble de tiempo sin que el tumor reaparezca o avance, una diferencia clínicamente muy significativa que el modelo detectó usando únicamente la imagen histológica de rutina.
Una capacidad adicional de los modelos fue la posibilidad de analizar la heterogeneidad molecular intratumoral a nivel de fragmentos individuales de la imagen, lo que permitió identificar que los tumores MG3 presentan mayor variabilidad espacial que los demás grupos, comportamiento consistente con su posible naturaleza de estado de transición entre los grupos benignos y los proliferativos. Los autores señalan que esta información sobre heterogeneidad puede orientar la confianza clínica en las predicciones: los tumores con alta homogeneidad en sus predicciones por fragmento mostraron mayor concordancia con el perfilado por metilación, mientras que los casos muy heterogéneos podrían requerir validación mediante análisis molecular convencional.
Los modelos entrenados han sido depositados públicamente, y los investigadores anuncian que estarán disponibles como herramienta de uso directo integrada en los sistemas institucionales de Mayo Clinic. El estudio reconoce limitaciones propias de su diseño retrospectivo, la ausencia de datos sobre raza o etnia de los pacientes y la falta de interpretabilidad de los rasgos aprendidos por los modelos, que no pueden ser identificados o verificados por un neuropatólogo. Los autores señalan que se requieren estudios prospectivos multicéntricos de mayor escala para establecer la utilidad clínica de estos hallazgos como herramientas de apoyo a la decisión.
