SANTO DOMINGO, RD/ DIARIO DE SALUD.- Investigadores de Mayo Clinic y otras instituciones desarrollaron un modelo de inteligencia artificial capaz de analizar láminas de patología utilizadas habitualmente en los hospitales para clasificar meningiomas y estimar su riesgo de recurrencia. La herramienta podría acercar información molecular avanzada a centros que no disponen de costosas pruebas genéticas, aunque todavía necesita validación prospectiva antes de incorporarse a la atención clínica.
Una lámina de tejido teñida y observada al microscopio ha sido durante décadas una de las principales herramientas para diagnosticar tumores.
Ahora, investigadores de Mayo Clinic y centros colaboradores sostienen que esas mismas imágenes podrían contener mucha más información de la que el ojo humano es capaz de reconocer por sí solo.
Un estudio publicado en The Lancet Digital Health muestra que modelos de inteligencia artificial pueden analizar preparaciones histopatológicas convencionales de meningiomas y extraer señales relacionadas con la biología molecular del tumor, su subtipo y la probabilidad de que vuelva a crecer después del tratamiento.
El trabajo incluyó datos clínicos, muestras de tejido e imágenes digitalizadas de 672 pacientes. Los algoritmos fueron entrenados para examinar láminas teñidas con hematoxilina y eosina, conocidas como H&E, una técnica empleada de manera rutinaria en los laboratorios de anatomía patológica.
Los investigadores consideran que, con estudios adicionales, esta tecnología podría ayudar a ofrecer evaluaciones más precisas a pacientes atendidos en hospitales que no cuentan con pruebas moleculares avanzadas.
Pero también insisten en que la herramienta todavía no está preparada para sustituir el juicio de patólogos, neurocirujanos u oncólogos.
El tumor cerebral primario más frecuente en adultos
Los meningiomas se originan en las meninges, las membranas que recubren el cerebro y la médula espinal.
Muchos crecen lentamente y pueden permanecer estables durante años. Algunos incluso se descubren de manera incidental durante una prueba de imagen realizada por otra causa.
Sin embargo, no todos se comportan de la misma forma.
Determinados tumores pueden invadir estructuras cercanas, reaparecer después de una cirugía o progresar con mayor rapidez de lo esperado. Esa diversidad biológica convierte la estimación del riesgo en una parte esencial de las decisiones clínicas. Mayo Clinic señala que los meningiomas representan cerca del 40 % de los tumores del sistema nervioso central.
Para los pacientes, conocer la probabilidad de recurrencia puede influir en la frecuencia de las resonancias magnéticas, la intensidad del seguimiento y la posibilidad de considerar radioterapia después de la cirugía.
El límite de observar únicamente el tumor al microscopio
Tradicionalmente, los médicos han clasificado los meningiomas según su apariencia microscópica, su grado y determinadas características celulares.
También se tienen en cuenta factores como la edad del paciente, la localización del tumor y cuánto tejido pudo retirarse durante la operación.
Estos elementos siguen siendo fundamentales, pero no siempre permiten anticipar con precisión el comportamiento futuro de cada meningioma.
Dos tumores con una apariencia parecida pueden evolucionar de manera distinta. Uno puede no reaparecer tras una resección completa y otro puede comenzar a crecer de nuevo tiempo después.
Los estudios moleculares han mostrado que parte de esa diferencia está relacionada con alteraciones genéticas y epigenéticas que no son visibles mediante una evaluación histológica convencional.
Qué es el perfil de metilación del ADN
Una de las pruebas más útiles para estudiar esas diferencias es el perfil de metilación del ADN.
La metilación es un proceso químico que modifica la actividad de determinados genes sin cambiar la secuencia básica del ADN. Estos patrones pueden revelar a qué grupo molecular pertenece un tumor y ofrecer información sobre su agresividad y su riesgo de recurrencia.
Los sistemas de clasificación molecular han permitido dividir los meningiomas en grupos biológicamente distintos y, en algunos casos, predecir su evolución con mayor precisión que el grado histológico tradicional.
El problema es que estas pruebas requieren laboratorios especializados, personal entrenado, tiempo y recursos económicos.
Muchos hospitales no tienen acceso a ellas, especialmente fuera de los grandes centros académicos.
La nueva investigación intenta reducir esa brecha utilizando una muestra que ya forma parte de la atención habitual.
La misma lámina, una nueva capa de información
Las preparaciones H&E se elaboran a partir de fragmentos de tejido tumoral.
La hematoxilina tiñe principalmente los núcleos celulares, mientras que la eosina resalta otras estructuras del tejido. El contraste permite a los patólogos estudiar la arquitectura del tumor, la forma de las células y otros rasgos importantes.
En el nuevo estudio, esas láminas fueron digitalizadas y procesadas mediante aprendizaje profundo.
Los algoritmos buscaron patrones visuales complejos asociados con grupos moleculares, alteraciones cromosómicas y resultados clínicos.
La propuesta no consiste en que la IA “lea” el ADN directamente.
Lo que hace es identificar características microscópicas que parecen correlacionarse con cambios moleculares conocidos.
Esas señales pueden ser demasiado sutiles, numerosas o dispersas para ser reconocidas de manera consistente por una persona sin ayuda computacional.
“Capturar dos décadas de conocimiento”
Gelareh Zadeh, jefa del Departamento de Neurocirugía de Mayo Clinic en Rochester y una de las autoras del trabajo, describió el estudio como una forma de trasladar el conocimiento genómico acumulado a la patología digital.
“Podemos aprovechar la fuerza de la patología digital”, afirmó la especialista al presentar los resultados.
Según Zadeh, los algoritmos pueden incorporar conocimientos moleculares desarrollados durante las últimas dos décadas y aplicarlos a imágenes que ya se generan rutinariamente en los hospitales.
La idea es convertir una lámina convencional en una fuente de información más amplia, sin exigir que todos los pacientes se sometan inicialmente a pruebas genéticas costosas.
Un estudio con 672 pacientes
Los investigadores utilizaron muestras, imágenes de patología y datos clínicos procedentes de 672 pacientes.
El análisis se apoyó en varios conjuntos de datos desidentificados, incluidos recursos de Mayo Clinic Platform.
Los modelos fueron evaluados para determinar si podían clasificar subtipos de meningioma y estimar el riesgo de recurrencia a partir de imágenes H&E.
El diseño fue retrospectivo, lo que significa que los investigadores trabajaron con información recopilada previamente.
Este tipo de estudio resulta útil para desarrollar y probar modelos, pero no permite demostrar todavía cómo funcionarán en tiempo real con pacientes nuevos y en hospitales diferentes.
Esa es una de las razones por las que los autores reclaman validaciones prospectivas.
La predicción se mantuvo más allá de los factores tradicionales
Uno de los aspectos más relevantes fue que las predicciones de la IA conservaron valor incluso después de considerar variables clínicas conocidas.
Entre ellas se encontraban el grado del tumor, la edad del paciente y la extensión de la resección quirúrgica.
Esto sugiere que el algoritmo detectaba información adicional, no simplemente una repetición de los factores que los médicos ya utilizan.
En términos prácticos, la herramienta podría ayudar a diferenciar a pacientes que parecen similares según los criterios convencionales, pero cuyos tumores poseen riesgos biológicos distintos.
Aun así, el estudio no demuestra que las decisiones basadas en la IA mejoren la supervivencia ni reduzcan las recurrencias.
Para comprobarlo sería necesario integrar el modelo en estudios clínicos y comparar sus resultados con los métodos actuales.
La importancia de saber cuánto tumor quedó
La extensión de la resección sigue siendo uno de los factores centrales en la evolución de los meningiomas.
Cuando el cirujano puede retirar todo el tumor de forma segura, el riesgo de recurrencia suele disminuir.
Pero en algunos casos una resección completa podría dañar estructuras importantes, como vasos sanguíneos, nervios craneales o regiones cerebrales sensibles.
Por esa razón, puede permanecer una parte del tumor.
La información molecular y las predicciones de riesgo podrían ayudar a decidir si un paciente necesita vigilancia estrecha, radioterapia complementaria o un seguimiento menos intensivo.
El objetivo no es tratar más a todos los pacientes, sino identificar mejor quién podría beneficiarse de una intervención adicional y quién podría evitarla.
La IA también detectó diferencias dentro del mismo tumor
Los investigadores informaron que el modelo podía reconocer patrones de heterogeneidad tumoral.
La heterogeneidad significa que distintas zonas de un mismo tumor pueden presentar características biológicas diferentes.
Una región puede parecer relativamente estable, mientras otra contiene señales asociadas con un comportamiento más agresivo.
Estas diferencias pueden ayudar a explicar por qué una pequeña muestra no siempre representa por completo al tumor y por qué algunos meningiomas responden de forma desigual al tratamiento.
La capacidad de analizar una lámina completa podría ofrecer una visión más amplia de esas variaciones internas.
Sin embargo, todavía debe establecerse qué patrones detectados por el algoritmo son clínicamente significativos y cuáles podrían deberse a diferencias técnicas en las muestras.
Una herramienta para ampliar el acceso
El principal atractivo del sistema es su posible escalabilidad.
Las láminas H&E ya se producen en la mayoría de los hospitales que diagnostican tumores.
Si esos centros cuentan con escáneres de patología digital y acceso al software, podrían obtener una evaluación adicional sin enviar cada muestra a un laboratorio molecular especializado.
Mayo Clinic considera que este enfoque podría democratizar parte de la información genómica y pronóstica que hoy está concentrada en instituciones con mayores recursos.
Esto no significa que las pruebas de metilación dejarían de ser necesarias.
En algunos casos, podrían seguir siendo indispensables para confirmar un diagnóstico, resolver dudas o decidir un tratamiento.
La IA podría funcionar como una herramienta de apoyo, selección o priorización.
¿Podría reemplazar las pruebas genéticas?
Por ahora, no.
El modelo intenta inferir señales moleculares a partir de la apariencia del tejido, pero no mide directamente el ADN.
Una predicción computacional y una prueba molecular no son exactamente equivalentes.
La utilidad clínica dependerá de la precisión del algoritmo, de su desempeño en poblaciones distintas y de la consecuencia de un error.
Un falso resultado de alto riesgo podría llevar a pruebas adicionales o a considerar un tratamiento innecesario.
Un falso resultado de bajo riesgo podría producir un seguimiento insuficiente.
Por ello, los autores subrayan que el sistema necesita una evaluación rigurosa y supervisión médica continua antes de utilizarse de manera rutinaria.
Los desafíos de la patología digital
Para aplicar este tipo de herramientas a gran escala, no basta con desarrollar un algoritmo.
Los hospitales necesitan digitalizar las láminas, almacenar archivos de gran tamaño y garantizar que las imágenes tengan una calidad uniforme.
También deben resolverse diferencias en la preparación del tejido, los colorantes, los escáneres y los procedimientos de cada laboratorio.
Un modelo entrenado con imágenes de determinados centros puede perder precisión cuando se enfrenta a láminas procesadas de otra manera.
La validación externa es, por tanto, esencial.
Otro desafío es la representación de los pacientes.
Los datos utilizados para entrenar la IA deben incluir diversidad de edades, poblaciones, variantes tumorales y entornos sanitarios. De lo contrario, el sistema podría funcionar mejor en ciertos grupos que en otros.
La IA no toma la decisión final
La herramienta fue concebida como un apoyo para los profesionales clínicos.
El diagnóstico y el tratamiento de un meningioma requieren integrar imágenes radiológicas, síntomas, resultados quirúrgicos, anatomía patológica y características individuales del paciente.
Un algoritmo puede aportar una estimación de riesgo, pero no conoce por sí solo las prioridades del paciente, sus enfermedades previas o las consecuencias funcionales de un tratamiento.
Zadeh señaló que la meta es hacer que estas herramientas sean accesibles globalmente y sencillas de utilizar, pero siempre dentro de un marco de evaluación y supervisión clínica.
Qué falta antes de utilizarla en hospitales
Los investigadores consideran necesarios estudios prospectivos en los que el modelo analice casos nuevos mientras los pacientes reciben atención.
También deberá compararse su rendimiento entre hospitales, laboratorios y países.
Será necesario determinar:
Si mantiene la precisión con imágenes producidas por diferentes escáneres
Si funciona de manera similar en todos los subtipos de meningioma
Cómo deben presentarse sus resultados a los médicos
Qué nivel de error resulta aceptable
Cuándo debe confirmarse la predicción mediante pruebas moleculares
Si su utilización cambia realmente las decisiones terapéuticas
Si mejora los resultados de los pacientes
Hasta que esas preguntas sean respondidas, la investigación debe interpretarse como una prueba de viabilidad y no como la llegada inmediata de una nueva prueba clínica.
Una posible vía para otros tipos de cáncer
Los autores creen que el enfoque podría extenderse a otros tumores.
En teoría, las imágenes histológicas de diferentes cánceres también contienen rasgos relacionados con mutaciones, expresión genética y comportamiento clínico.
Si los algoritmos logran reconocerlos de forma fiable, la patología digital podría convertirse en una vía más rápida para orientar pruebas y tratamientos.
Pero cada tipo de tumor necesitará sus propios modelos, datos y validaciones.
Un sistema desarrollado para meningiomas no puede aplicarse automáticamente a cánceres de pulmón, mama, próstata u otros órganos.
Entre la promesa y la cautela
La investigación representa un avance importante porque utiliza un recurso que los hospitales ya poseen: las láminas de tejido.
En lugar de depender exclusivamente de nuevos procedimientos, intenta obtener más información de una prueba existente.
Ese enfoque podría reducir barreras económicas y geográficas.
Sin embargo, la utilidad real dependerá de algo más que una buena precisión estadística.
El algoritmo deberá demostrar que funciona fuera del entorno en el que fue desarrollado, que no produce desigualdades y que ayuda a tomar mejores decisiones sin aumentar tratamientos innecesarios.
Por ahora, la IA ofrece una nueva forma de observar un tumor conocido.
No reemplaza al patólogo, al neurocirujano ni a las pruebas moleculares, pero podría convertirse en una herramienta adicional para entender por qué algunos meningiomas no vuelven y otros sí.
Fuente principal del estudio
La investigación se titula Deep learning for H&E-based meningioma molecular classification and outcome prediction: a retrospective cohort study.
Fue publicada en línea el 5 de junio de 2026 en The Lancet Digital Health y estuvo encabezada por Alexander P. Landry junto con investigadores de Mayo Clinic, la Universidad de Toronto, Princess Margaret Cancer Centre, el Instituto Nacional del Cáncer de Estados Unidos y otras instituciones.
LE SSERAFIM actuará en el estreno de ‘Amazon Music Presents: In the Paint’ de la WNBA
Trending on Billboard LE SSERAFIM llevará su más reciente éxito musical a la cancha de bal…
Edulcorantes artificiales podrían alterar el metabolismo y aumentar los niveles de insulina, advierte un estudio
NUEVA YORK,EE.UU./ DIARIO DE SALUD.- Durante décadas, los edulcorantes artificiales fueron presentados como una solución …
