Investigadores de la Universidad de Michigan y la Universidad de California en San Francisco han desarrollado un modelo impulsado por Inteligencia Artificial (IA) que permite identificar restos de tumores casi indetectables en el cerebro humano en un breve lapso de solo 10 segundos. Esta innovadora tecnología, denominada ‘FastGlioma’, ha demostrado superar significativamente los métodos convencionales utilizados para detectar los restos de tumores durante las cirugías cerebrales.
El autor principal del estudio, Todd Hollon, neurocirujano de University of Michigan Health y profesor adjunto de neurocirugía en la Facultad de Medicina de la UM, afirmó que esta tecnología “tiene el potencial de cambiar el campo de la neurocirugía al mejorar de inmediato el tratamiento integral de los pacientes con gliomas difusos”.
Durante la extirpación de un tumor potencialmente letal del cerebro, los neurocirujanos a menudo no logran eliminar toda la masa tumoral, lo que resulta en la presencia de lo que se conoce como “tumor residual”. Este tipo de tejido tumoral es difícil de detectar a simple vista durante la operación, ya que los cirujanos no pueden diferenciar entre el tejido sano y el que contiene restos tumorales, dado que ambos se asemejan.
Existen métodos como las resonancias magnéticas intraoperatorias y los agentes de imágenes fluorescentes que se utilizan para identificar el tejido tumoral, pero estos presentan limitaciones que restringen su accesibilidad. Por ejemplo, la maquinaria necesaria para las resonancias no está disponible en todos los hospitales, y el método de fluorescencia no es efectivo para todos los tipos de tumores. Sin embargo, la IA parece haber abordado este desafío, facilitando una extracción de tumores más exitosa.
Hollon añadió que “la tecnología funciona más rápido y con mayor precisión que los métodos de atención estándar actuales para la detección de tumores y podría generalizarse a otros diagnósticos de tumores cerebrales pediátricos y adultos. Podría servir como modelo básico para guiar la cirugía de tumores cerebrales”.
Para llevar a cabo el estudio, los investigadores utilizaron muestras extraídas de 220 pacientes que se habían sometido a operaciones de glioma difuso, tanto de grado bajo como alto. El modelo FastGlioma logró detectar el tumor residual con una precisión promedio de aproximadamente el 92%. En contraste, los métodos convencionales presentan una tasa de error cercana al 25% en la detección de restos tumorales, mientras que el modelo de IA solo falló en un 3.8% de los casos.
Para identificar los residuos, FastGlioma combina imágenes ópticas microscópicas con un tipo de IA conocida como “modelos de base”. Estos modelos, similares a GPT-4 y DALL·E 3, son entrenados con conjuntos de datos masivos y diversos que se adaptan a una amplia gama de tareas. En este caso, el equipo de investigadores entrenó a la IA utilizando 11,000 muestras quirúrgicas y 4 millones de campos de visión microscópicos únicos.
Honglak Lee, Ph.D., coautor del estudio y profesor de informática e ingeniería en la UM, comentó que “FastGlioma puede detectar tejido tumoral residual sin depender de procedimientos histológicos que consumen mucho tiempo y de grandes conjuntos de datos etiquetados en la IA médica, que son escasos”.
Una imagen de FastGlioma en “modo rápido”, que ofrece una resolución más baja, toma solo 10 segundos, mientras que una imagen en resolución completa puede tardar alrededor de 100 segundos, es decir, menos de 2 minutos. Las imágenes más rápidas tienen una tasa de éxito del 90%, mientras que las de resolución completa alcanzan aproximadamente el 92% mencionada anteriormente.
Hollon concluyó que “esto significa que podemos detectar la infiltración tumoral en segundos con una precisión extremadamente alta, lo que podría informar a los cirujanos si es necesaria una mayor resección durante una operación.”
