Un nuevo modelo de deep learning mejora significativamente el pronóstico a partir de resonancias magnéticas realizadas a lo largo del tiempo.
Investigadores de Mass General Brigham, en colaboración con Boston Children’s Hospital y el Dana-Farber/Boston Children’s Cancer and Blood Disorders Center, desarrollaron un modelo de inteligencia artificial (IA) capaz de predecir la recurrencia de gliomas pediátricos, es decir tumores cerebrales en niños, mediante el análisis de imágenes de resonancia magnética tomadas después de la cirugía. Los resultados del estudio fueron publicados en la revista The New England Journal of Medicine AI.
El enfoque, denominado temporal deep-learning o aprendizaje temporal profundo, permite al algoritmo aprender de múltiples resonancias magnéticas obtenidas a lo largo de varios meses, en lugar de depender de una sola imagen. “Hemos demostrado que la IA es capaz de analizar y hacer predicciones a partir de múltiples imágenes, no solo de un único escaneo,” explicó Divyanshu Tak, primer autor del estudio y miembro del Programa de Inteligencia Artificial en Medicina (AIM) de Mass General Brigham.
Este nuevo modelo fue entrenado con 3,994 escaneos de 715 pacientes pediátricos provenientes de tres instituciones. Primero, la IA aprendió a ordenar cronológicamente las imágenes postoperatorias de cada paciente, para luego afinar su capacidad de identificar patrones que preceden una recaída. Así, el sistema pudo predecir la probabilidad de recurrencia a un año tras el tratamiento, con una precisión que varió entre el 75% y el 89%, muy por encima del 50% de precisión que ofrecen los métodos tradicionales basados en una sola imagen.
“Muchos gliomas pediátricos se curan solo con cirugía, pero cuando hay recaídas, pueden ser devastadoras”, comentó Benjamin Kann, autor principal del estudio y médico del Departamento de Oncología Radioterápica en Brigham and Women’s Hospital. “Es muy difícil predecir quién podría recaer, por eso los pacientes se someten a seguimientos frecuentes durante años, algo que puede ser estresante para las familias. Necesitamos mejores herramientas para identificar desde el principio quiénes tienen mayor riesgo.”
Los hallazgos podrían tener implicaciones prácticas relevantes. La IA podría ayudar a reducir la frecuencia de estudios en pacientes con bajo riesgo o a anticipar tratamientos complementarios en quienes tienen más probabilidad de recaída. Sin embargo, los investigadores subrayan que el modelo aún requiere validación en entornos clínicos adicionales antes de ser implementado.
