Un sistema basado en modelos de deep learning distingue con alta precisión el glioblastoma de otros cánceres similares.
El diagnóstico preciso de tumores cerebrales es esencial para ofrecer a los pacientes un tratamiento adecuado y oportuno. Uno de los mayores retos en la neurooncología es diferenciar el glioblastoma, el cáncer cerebral más común y agresivo, de otros tumores que comparten características similares, como el linfoma primario del sistema nervioso central (PCNSL, en inglés). Una clasificación errónea puede tener consecuencias significativas, ya que ambos requieren estrategias terapéuticas muy distintas.
Un estudio internacional liderado por científicos de Harvard publicado en Nature Communications presenta PICTURE o Pathology Image Characterization Tool with Uncertainty-aware Rapid Evaluations, un sistema de inteligencia artificial (IA) diseñado para apoyar a los patólogos en la identificación de glioblastoma y sus imitadores. La herramienta fue entrenada con más de 2,141 muestras de tejido cerebral recolectadas en hospitales de Estados Unidos, Europa y Asia, integrando métodos de inferencia bayesiana, ensambles de modelos y técnicas para estimar el nivel de certeza en cada diagnóstico.
“Nuestro modelo puede minimizar los errores en el diagnóstico al distinguir entre tumores con características superpuestas y ayudar a los médicos a determinar el mejor tratamiento en función de la verdadera identidad del tumor”, afirmó el autor principal del estudio, Kun-Hsing Yu, profesor asociado de informática biomédica en Harvard.
Los resultados mostrados en el estudio son prometedores pues PICTURE alcanzó una precisión casi perfecta, con un área bajo la curva (AUROC, en inglés) de 0.989, validado en cinco cohortes independientes con valores de 0.924 a 0.996. A diferencia de otros sistemas, la herramienta no solo distingue entre glioblastoma y PCNSL, sino que también es capaz de detectar 67 tipos adicionales de tumores cerebrales poco frecuentes y tejidos normales no incluidos en el entrenamiento, evitando clasificaciones erróneas.
El estudio destaca que esta innovación es particularmente valiosa durante las cirugías, cuando los médicos deben tomar decisiones rápidas basadas en cortes congelados de tejido. PICTURE demostró mantener un rendimiento alto incluso en estas condiciones, tradicionalmente más difíciles para el diagnóstico. Además, la plataforma procesa cada muestra digital en menos de un minuto, lo que refuerza su potencial como apoyo en tiempo real.
La investigación subraya el valor de incorporar mecanismos de “incertidumbre consciente” en la inteligencia artificial aplicada a la medicina. Al reconocer sus propios límites y señalar casos atípicos, PICTURE no solo mejora la precisión diagnóstica, sino que también aumenta la confianza de los especialistas al momento de decidir el tratamiento más adecuado. Según los autores, esta herramienta podría convertirse en un modelo generalizable para la evaluación patológica de distintos tipos de cáncer y otras enfermedades complejas.
