Nuevo modelo de IA identifica dónde podría reaparecer el glioblastoma tras cirugía

El glioblastoma es el tumor cerebral maligno más común en adultos y el más letal, con una supervivencia mediana de unos 17 meses tras el diagnóstico. Incluso después de que los cirujanos extirpan todo el tumor visible y los pacientes reciben tratamiento adicional, el cáncer casi siempre regresa, por lo general en la cavidad quirúrgica o cerca de ella. Poder identificar estas zonas de alto riesgo antes de que la recurrencia sea visible en la resonancia magnética podría ayudar a orientar las decisiones terapéuticas.

Investigadores de la Universidad de California en San Francisco (UCSF) y la Universidad de Michigan desarrollaron el enfoque utilizando histología Raman estimulada (SRH) y FastGlioma, un sistema de IA que puntúa el tejido según la infiltración tumoral. La SRH produce imágenes microscópicas de tejido fresco sin procesar en menos de un minuto. A diferencia de la SRH, la patología convencional requiere procesar el tejido con tintes y colorantes, lo que lleva más tiempo y exige más trabajo.

Los investigadores desarrollaron el modelo utilizando unas 300 muestras de tejido recogidas durante la cirugía de glioblastoma de 60 pacientes de UCSF Health. Lo probaron por separado en unas 100 muestras de otros 20 pacientes. El tiempo mediano hasta la recurrencia entre los pacientes fue de 5,5 meses. El equipo se centró en la primera recurrencia porque los tratamientos experimentales administrados más adelante en la enfermedad pueden afectar al crecimiento tumoral y hacer que las recurrencias posteriores sean más difíciles de predecir con fiabilidad.

El puntaje de infiltración de FastGlioma por sí solo predijo los sitios de recurrencia casi tan bien como la patología convencional. Luego, los investigadores combinaron el puntaje con datos clínicos, de imagen y moleculares probados en seis modelos de aprendizaje automático. El modelo de mejor rendimiento tuvo una probabilidad significativamente mayor de distinguir los sitios que desarrollarían recurrencia de aquellos que no la desarrollarían. La infiltración tumoral fue el predictor individual más fuerte en cinco de los seis modelos, aportando más información predictiva que las características moleculares del tumor. El modelo también mostró un buen desempeño al predecir recurrencia dentro de 5 o 10 milímetros del tejido muestreado.

Los hallazgos se publicaron el 25 de septiembre de 2026 en Science Advances. Los investigadores dijeron que las predicciones podrían orientar las decisiones sobre extirpar tejido adicional durante la cirugía cuando sea seguro, o sobre dirigir los sitios previstos con radiación focal de dosis más altas o fármacos infundidos directamente en el tumor. Su objetivo declarado es retrasar la primera recurrencia.

“El sistema tiene un potencial increíble para proporcionar a los neurocirujanos una valiosa orientación en tiempo real durante la extirpación del tumor. También puede generar información que guíe las decisiones terapéuticas posteriores”, dijo Sanjeev Herr, MD, investigador posdoctoral en la Universidad de California en San Francisco y la Facultad de Medicina de la Universidad Drexel.

Enlaces relacionados
UCSF Health
Facultad de Medicina de la Universidad de Michigan

Visitar la expo >

Miembro Platino

Analizador de coagulación automatizado

Hemolumi H6

Miembro Oro

Automatic Hematology Analyzer

CF9600

New

Prueba de MR-proADM

B•R•A•H•M•S MR-proADM KRYPTOR test

New

Gastrointestinal Panel

Xpert® GI Panel