Herramienta de IA acelera la clasificación de tumores cerebrales a partir de histología rutinaria
Actualizado el 19 Jun 2026
La clasificación precisa de los tumores cerebrales y de la médula espinal depende cada vez más del perfil molecular junto con la histología, pero el acceso a estas pruebas sigue siendo limitado y los resultados pueden tardar unas dos semanas. El análisis de metilación del ADN se considera el método de referencia para muchos diagnósticos del sistema nervioso central, pero requiere laboratorios especializados y suficiente material tumoral. Estas limitaciones pueden retrasar la caracterización definitiva y complicar las decisiones sobre las pruebas posteriores. Un nuevo estudio demuestra que un sistema de inteligencia artificial puede proporcionar clasificaciones tumorales con información molecular a partir de muestras rutinarias en cuestión de minutos.
Desarrollado en el Centro Alemán de Investigación del Cáncer (DKFZ) en colaboración con la Universidad de Heidelberg y el Hospital Universitario de Heidelberg, el sistema de IA Hetairos clasifica 102 subtipos moleculares de tumores del sistema nervioso central (SNC) a partir de secciones histológicas digitalizadas y teñidas de forma rutinaria.
El modelo proporciona un diagnóstico junto con una estimación de confianza y resalta las regiones de la muestra que más influyeron en su decisión, ofreciendo a los patólogos pistas interpretables para las pruebas de seguimiento. Según el estudio, este enfoque está diseñado para complementar, no para reemplazar, los ensayos moleculares ya establecidos.
Hetairos fue entrenado y validado con más de 11 000 secciones de tejido digitalizadas de 9606 pacientes, cuyos diagnósticos de referencia se determinaron principalmente mediante el perfil de metilación del ADN. Los datos procedían de 11 centros médicos de cuatro continentes, y los 102 subtipos abarcan casi toda la clasificación actual de tumores del SNC de la Organización Mundial de la Salud. En aproximadamente el 50 % al 70 % de los casos, el sistema emitió predicciones de alta certeza, que resultaron correctas entre el 87 % y el 88 % de las veces.
En una comparación directa, cinco neuropatólogos experimentados de centros internacionales revisaron 210 casos utilizando únicamente secciones histológicas. Hetairos alcanzó una precisión del 68%, mientras que los especialistas obtuvieron un promedio del 30%. Utilizando las tres predicciones principales, la precisión llegó al 84% para la IA y a cerca del 50% para los expertos.
En un entorno clínico prospectivo, el sistema analizó 210 muestras tumorales en paralelo con los flujos de trabajo rutinarios, generando resultados en aproximadamente 12 minutos en hardware estándar después de la digitalización de las láminas. Por el contrario, el diagnóstico molecular completo requirió un promedio de 12 días; incluyendo la preparación y el escaneo, los resultados basados en Hetairos a menudo podían estar disponibles en 24 a 48 horas.
El estudio, publicado en Nature Cancer el 10 de junio de 2026, destaca las posibles ventajas operativas, ya que el método analiza secciones rutinarias existentes en lugar de requerir ensayos adicionales que pueden costar varios cientos de euros. Los autores indican que Hetairos puede ser particularmente útil cuando el material tumoral es limitado, cuando las pruebas moleculares no son concluyentes o cuando dichas pruebas no están fácilmente disponibles.
“Los resultados demuestran que los sistemas de IA modernos son capaces de reconocer patrones morfológicos extremadamente sutiles que resultan difíciles de distinguir incluso para especialistas experimentados”, afirmó Felix Sahm, neuropatólogo del Hospital Universitario de Heidelberg y de la Universidad de Heidelberg.
“Hetairos demuestra el enorme potencial de la patología digital con soporte de IA para proporcionar métodos de diagnóstico rápidos y ampliamente disponibles que antes solo eran posibles con un considerable esfuerzo técnico”, dijo Moritz Gerstung, jefe de equipo del Centro Alemán de Investigación del Cáncer (DKFZ).
Enlaces relacionados
DKFZ
Universidad de Heidelberg
