La red de cables del cerebro podría ayudar a anticipar la agresividad de los gliomas
Un estudio piloto publicado en Neuroradiology, con participación de investigadores de iHEALTH, combina resonancia magnética de uso clínico e inteligencia artificial interpretable para distinguir gliomas de bajo y alto grado a partir de cómo alteran la sustancia blanca del cerebro.
Los gliomas son los tumores primarios más frecuentes del cerebro, pero no todos se comportan igual. Algunos crecen lentamente durante años; otros avanzan con rapidez. Saber antes de operar si un glioma es de bajo o alto grado ayuda al equipo de neuro-oncología a decidir cuánto tejido resecar sin arriesgar funciones como el lenguaje o el movimiento, a proyectar el pronóstico y a planificar los tratamientos posteriores.
El diagnóstico definitivo llega con el análisis del tejido obtenido en la biopsia, complementado hoy con estudios moleculares. Antes de esa etapa, la resonancia magnética convencional permite ver la forma del tumor, pero no capta bien el impacto que la lesión genera en el resto del cerebro. Ese es el problema que aborda un estudio piloto publicado en la revista Neuroradiology, en el que participan los investigadores de iHEALTH Steren Chabert y Rodrigo Salas, de la Universidad de Valparaíso junto a Cristian Montalba, Ignacio Espinoza y M. Daniela Cornejo, de la Pontificia Universidad Católica de Chile; Pamela Franco, de la Universidad Andrés Bello; y Francisco Torres y Carlos Bennett, del Hospital Carlos Van Buren.
El trabajo se basa en el conectoma, el mapa de las conexiones del cerebro. “Imaginemos que el cerebro es una gran red de autopistas. El conectoma es el mapa de esa red: muestra qué zonas están conectadas entre sí y cuánto ‘tráfico’ de información circula entre ellas”, explican los investigadores.
Para construirlo, el equipo analizó 50 tractos de la sustancia blanca, los haces de fibras que comunican distintas regiones cerebrales, reconstruidos en cada paciente mediante resonancia magnética por difusión. Desde esta mirada, el glioma deja de ser solo una lesión aislada. “Un tumor puede cortar rutas principales, obligar a tomar desvíos y dejar peor conectadas a zonas que están muy lejos de él”, señalan.
Uno de los aspectos clave del método es el llamado enmascaramiento tumoral: excluir del análisis las zonas ocupadas por el tumor. Dentro de la lesión, la deformación del tejido y la inflamación generan conexiones falsas que contaminan los cálculos. “Al enmascarar el tumor, medimos el impacto real sobre la red remanente y no los artefactos dentro de la masa tumoral”, explican. La hipótesis es que un glioma de alto grado, al ser más infiltrante, desorganiza mucho más la sustancia blanca que lo rodea.
El estudio incluyó a 35 pacientes con glioma confirmado (20 de bajo grado y 15 de alto grado), operados con cirugía en un solo centro. Sus imágenes se obtuvieron antes de la cirugía en un resonador clínico estándar de 1,5 Tesla, una elección deliberada para probar si el método funciona con los equipos que se usan en la práctica habitual.
Una inteligencia artificial que explica sus decisiones
Con los datos de cada conectoma, el equipo entrenó un modelo de aprendizaje automático que logró clasificar correctamente al 82,9 % de los pacientes, una estimación preliminar obtenida dentro de esta misma cohorte. Al sumar variables clínicas, como el volumen y la ubicación del tumor, el rendimiento estimado mejoró, aunque los autores advierten que esa diferencia aún no está demostrada.
Más que la cifra, el foco está en que el modelo es interpretable. “Un modelo de ‘caja negra’ entrega un veredicto binario: ‘alto grado’ o ‘bajo grado’, sin explicar cómo llegó a esa conclusión”, explican. Con una herramienta llamada SHAP, el equipo pudo ver qué tractos pesaron más en cada decisión. Los más informativos fueron el estrato sagital, el lemnisco medial y el fascículo fronto-occipital superior: los tumores de alto grado se asociaron a una pérdida de centralidad y de fuerza de conexión en estas vías largas.
“Que el equipo médico entienda el razonamiento del modelo es indispensable para comprobar si tiene sentido anatómico”, afirman los investigadores. “Nadie debería tomar una decisión quirúrgica basándose en un número que no puede cuestionar”.
Los autores son enfáticos en que se trata de un estudio de factibilidad. “Todavía está lejos, y queremos ser muy enfáticos en este punto. Este trabajo es un estudio piloto de factibilidad, no una herramienta lista para el pabellón”, señalan. Para llegar a la clínica, el enfoque debe validarse en varios hospitales y con distintos equipos de resonancia, y siempre como complemento de la resonancia convencional y la patología, nunca como reemplazo.
Los próximos pasos incluyen analizar cohortes más amplias y multicéntricas, e incorporar biomarcadores moleculares para alinear los hallazgos con la clasificación actual de la OMS. “La gran pregunta científica es si estas firmas de conectividad se correlacionan con los subtipos genéticos del tumor o si aportan información pronóstica independiente que la genética no captura”, plantean. A futuro, también buscan integrar otras técnicas, como la resonancia por perfusión.
Franco, P., Montalba, C., Espinoza, I. et al. Tumor-masked structural connectomics for assessing tract-specific white matter disruption associated with glioma aggressiveness: an interpretable machine learning pilot study. Neuroradiology (2026). https://doi.org/10.1007/s00234-026-04232-0