Una IA que predice dónde reaparecerá el glioblastoma, antes de que lo vea la resonancia: prometedor, pero aún en fase muy temprana

Por Cancer Health (con información de UCSF) · 25 de octubre de 2026.

Investigadores de la Universidad de California en San Francisco (UCSF) y de la Universidad de Michigan han desarrollado un modelo de inteligencia artificial que predice en qué zonas del cerebro es más probable que reaparezca un glioblastoma después de la cirugía inicial. Según los autores, la predicción podría llegar antes de que el tumor sea visible en una resonancia magnética (MRI). El trabajo se publicó el 25 de septiembre en Science Advances y cuenta con financiación de los Institutos Nacionales de Salud de EE. UU. (NIH).

El contexto explica por qué importa. El glioblastoma es el tumor cerebral maligno más frecuente en adultos y también el más letal: la supervivencia mediana ronda los 17 meses desde el diagnóstico. Aunque el cirujano extirpe todo el tumor visible y el paciente reciba tratamiento posterior, el cáncer casi siempre vuelve, normalmente en el borde de la cavidad quirúrgica. La razón es que hay células tumorales que ya han migrado al tejido sano de alrededor y que la resonancia no detecta hasta meses después.

Cómo funciona, según la descripción del estudio. El equipo analizó muestras de tejido tomadas durante la cirugía de pacientes de UCSF Health, cuyo tiempo mediano hasta la recurrencia fue de 5,5 meses. El modelo se construyó con unas 300 muestras de 60 pacientes y se probó por separado con unas 100 muestras de otros 20 pacientes.

Las muestras se convirtieron en imágenes microscópicas y las analizó Fast Glioma, un sistema de IA desarrollado por ambas universidades. Este puntúa cada tejido según su infiltración tumoral, es decir, la presencia de células cancerosas que han migrado a zonas sanas.

El dato más interesante es matizado. La puntuación de la IA, por sí sola, rindió más o menos igual que la patología convencional para predecir qué zonas desarrollarían recurrencia. La mejora llegó al combinarla con datos clínicos, de imagen y moleculares y probar seis modelos de aprendizaje automático: uno de ellos distinguió de forma significativamente mejor los sitios que recaerían de los que no. Los autores añaden que el modelo funcionó bien al predecir si el cáncer volvería a menos de 5 o 10 milímetros del tejido muestreado. El artículo que recogemos no ofrece cifras concretas de precisión, así que conviene esperar al estudio completo para dimensionar ese «bien».

Qué podría cambiar en la práctica. Sanjeev Herr, primer autor, habla de «guía en tiempo real» para el neurocirujano durante la extirpación. Shawn Hervey-Jumper, autor senior, apunta a opciones concretas: retirar más tejido en la cirugía inicial cuando sea seguro, o, si la zona no se puede operar, usar radioterapia focal de mayor dosis o fármacos administrados directamente en el tumor mediante un catéter. Todd Hollon, coautor, resume el objetivo: retrasar la primera recurrencia con la esperanza de que eso se traduzca en mayor supervivencia. Ese último paso es una hipótesis, no un resultado demostrado.

Nuestra lectura. Esta noticia ilustra bien qué tipo de IA médica funciona hoy: no una que «cura el cáncer», sino una que mejora una decisión concreta. Aquí la IA no sustituye al patólogo ni al cirujano; les dice dónde mirar y dónde actuar. Es la misma lógica que vemos en otros casos clínicos que han resistido el escrutinio: el valor está en dirigir el tiempo y el bisturí humanos hacia donde más importan.

También hay que ser honestos con los límites. Son 80 pacientes de un solo centro, con validación sobre solo 20. Faltan, según lo publicado, ensayos prospectivos y, sobre todo, la prueba decisiva: que tratar la zona predicha alargue la vida de los pacientes. Predecir bien dónde reaparece un tumor no garantiza que intervenir antes cambie el desenlace. Es un primer paso sólido, no un tratamiento.

Aun así, la dirección importa. Durante décadas, el glioblastoma ha sido sinónimo de pronóstico sombrío. Una medicina que combine patología digital, imagen y datos moleculares para ver lo invisible, y actuar sobre ello, es el tipo de avance incremental que, acumulado, sustenta la tesis de fondo de Zendoric: a corto plazo, resultados modestos y prudentes; a largo plazo, un camino creíble hacia convertir enfermedades hoy casi siempre mortales en enfermedades controlables. Lo que hay que vigilar no es el titular, sino si los próximos estudios demuestran supervivencia, no solo predicción.