Inteligencia Artificial y Meningioma: Cómo las Computadoras Están Aprendiendo a Ayudar a Diagnosticar y Predecir Tumores Cerebrales

Tabla de Contenidos

• Puntos Clave
• Por Qué Esta Investigación es Importante
• ¿Qué es un Meningioma?
• Términos Clave de IA Explicados de Forma Sencilla
• Cómo los Investigadores Realizaron Esta Revisión
• IA en el Análisis de Imágenes de Meningioma
• IA Prediciendo la Patología del Tumor
• Prediciendo el Grado de la OMS Sin Cirugía
• Prediciendo Biomarcadores Moleculares: Ki-67 y RP
• IA en la Predicción Pronóstica
• Principales Limitaciones y Vacíos
• Qué Significa Esto para los Pacientes
• Recomendaciones Prácticas
• Preguntas Frecuentes
• Información de la Fuente

Puntos Clave

• Los modelos de IA pueden delinear los meningiomas en la RM con alta precisión, pero la mayoría de la evidencia proviene de estudios retrospectivos de un solo centro con protocolos de imagen inconsistentes.
• La IA puede predecir el grado tumoral y marcadores moleculares como Ki-67 y PR a partir de las imágenes, pero estas herramientas no están validadas para su uso clínico habitual.
• El principal obstáculo es la falta de estudios prospectivos, multicéntricos y de gran tamaño que demuestren un impacto en la toma de decisiones clínicas.
• Los pacientes deben preguntar si en su centro se utilizan herramientas de IA como parte de un protocolo de investigación o de la atención establecida.

Por qué es importante esta investigación

Los meningiomas son el tumor intracraneal primario más frecuente, es decir, se originan dentro del cráneo en lugar de diseminarse desde otra parte del cuerpo. Representan aproximadamente el 39% de todos los tumores del sistema nervioso central, lo que equivale a cerca de 4 de cada 10 tumores cerebrales y de la médula espinal. Esto los convierte en una carga considerable para los neurocirujanos de todo el mundo.

La mayoría de los meningiomas son benignos y se clasifican como grado I de la OMS (grado I de la Organización Mundial de la Salud, la categoría menos agresiva). Pero esto no es así para todos. Entre el 20% y el 30% de los meningiomas —aproximadamente de 1 de cada 5 a 1 de cada 3— son tumores de mayor grado (grado II o III de la OMS) que se comportan de forma agresiva y tienen un peor pronóstico.

Las decisiones terapéuticas actuales dependen en gran medida de la clasificación de la OMS. Los médicos pueden simplemente vigilar los tumores asintomáticos de bajo grado, mientras que los tumores sintomáticos o de alto grado suelen requerir extirpación quirúrgica, y se considera la radioterapia como tratamiento complementario.

El problema es que este sistema tiene limitaciones reales. Antes de la cirugía, las imágenes estándar no permiten determinar con fiabilidad el grado del tumor, sus características moleculares ni la velocidad de división de sus células. El pronóstico también es impreciso: dos pacientes con el mismo grado tumoral pueden tener evoluciones muy diferentes. La personalización del tratamiento se complica aún más porque los médicos no pueden predecir fácilmente de antemano la consistencia del tumor, si está adherido al tejido cercano o qué tan bien responderá a la radioterapia.

Aquí es donde entra la inteligencia artificial. Los autores sostienen que la IA podría ayudar a llenar estos vacíos extrayendo información de las imágenes de rutina que el ojo humano no puede detectar.

¿Qué es un meningioma?

Un meningioma es un tumor que crece a partir de las meninges, las capas protectoras de tejido que rodean el cerebro y la médula espinal. Debido a dónde crecen, incluso los meningiomas "benignos" pueden causar síntomas graves al comprimir el tejido cerebral, los nervios o los vasos sanguíneos.

El sistema de clasificación de la OMS divide los meningiomas en tres grados según el aspecto de las células al microscopio y su agresividad. Los tumores de grado I son los de crecimiento más lento. Los tumores de grado II (a veces llamados atípicos) y de grado III (anaplásicos, es decir, muy anormales y de crecimiento rápido) tienen más probabilidades de reaparecer después del tratamiento.

El grado es enormemente importante. Determina si el paciente necesita cirugía de inmediato, cuánto tejido intenta extirpar el cirujano y si se añade radioterapia después.

Términos clave de IA explicados de forma sencilla

Antes de adentrarnos en los hallazgos, conviene entender el vocabulario. Los autores definen estos términos con cuidado, y vale la pena conocerlos porque aparecen a lo largo de la investigación.

• Inteligencia artificial (IA): el campo amplio que busca lograr que las computadoras realicen tareas que normalmente requieren inteligencia humana.
• Aprendizaje automático (AA): un subconjunto de la IA en el que las computadoras aprenden patrones a partir de los datos en lugar de ser programadas explícitamente.
• Aprendizaje profundo (AP): un tipo potente de aprendizaje automático que utiliza redes neuronales multicapa (sistemas informáticos inspirados vagamente en el cerebro) para aprender patrones complejos.
• Radiómica: la extracción de alto rendimiento de características cuantitativas —cientos de características numéricas medibles— de las imágenes médicas, que luego analizan los modelos de IA.
• Biomarcadores de imagen: características medibles de las imágenes que revelan información biológica sobre un tumor, como su grado o su estado molecular.

Al combinar estos elementos, la IA puede analizar automáticamente las imágenes médicas, delimitar con precisión los tumores y extraer características radiómicas de alta dimensión. Cuando se combinan con la información clínica del paciente, estos modelos resultan prometedores para predecir de forma no invasiva el grado del tumor, el estado molecular y el pronóstico, todo ello sin una sola incisión.

Los autores también señalan en qué se diferencia su revisión de las anteriores. Las revisiones previas a menudo se centraban en temas limitados, como únicamente la clasificación del grado tumoral o una sola modalidad de tratamiento. Esta revisión, en cambio, abarca todo el proceso continuo de atención del meningioma y, lo que es más importante, compara el grado de madurez y de preparación para su uso clínico de las aplicaciones de IA en diferentes tareas.

Cómo realizaron los investigadores esta revisión

Se trata de una revisión de alcance, un tipo de estudio diseñado para mapear toda la evidencia disponible sobre un tema en lugar de responder a una única pregunta concreta. Los autores siguieron la guía Preferred Reporting Items for Systematic Reviews (una lista de verificación ampliamente utilizada que mantiene la transparencia y el rigor de las revisiones) para su búsqueda, cribado y extracción de datos.

El equipo realizó búsquedas en tres bases de datos principales: Web of Science Core Collection, Scopus y PubMed. La búsqueda se ejecutó el 9 de noviembre de 2025. Para mantener la precisión de los resultados, utilizaron una estrategia de búsqueda basada en títulos, buscando el término «meningioma» combinado con términos relacionados con la IA, como aprendizaje automático, inteligencia artificial, aprendizaje profundo e inteligencia.

Todas las referencias se importaron al software de gestión de referencias EndNote y se eliminaron los duplicados. A continuación, los estudios se cribaron según unas reglas preestablecidas.

Se incluyeron los estudios que:

1. Eran artículos de investigación originales
2. Trataban sobre el meningioma
3. Se centraban en el desarrollo o la validación de modelos de IA (incluidos el aprendizaje automático y el profundo) aplicados en cualquier etapa del análisis de imágenes de meningioma, el diagnóstico, la clasificación del grado, la predicción del pronóstico o la toma de decisiones terapéuticas
4. Tenían el texto completo disponible

Se excluyeron los estudios que:

1. No estaban publicados en inglés
2. Eran editoriales, reportes de casos, resúmenes de congresos o capítulos de libros
3. No implicaban la aplicación o validación de modelos de IA
4. Tenían datos inaccesibles o de calidad deficiente

Dos investigadores cribaron los estudios de forma independiente. Primero evaluaron la relevancia de los títulos y resúmenes y, a continuación, leyeron el texto completo de los artículos potencialmente elegibles. Cualquier desacuerdo se resolvió mediante discusión entre los dos investigadores o con un tercer investigador que actuó como árbitro.

Al final, 52 artículos cumplieron todos los criterios y se incluyeron en la revisión.

La IA en el análisis de imágenes de meningioma

La IA está cambiando fundamentalmente la forma en que los médicos analizan las imágenes de meningioma. La idea central es sustituir un proceso manual que consume mucho tiempo —y que depende en gran medida de la experiencia subjetiva de cada médico— por una herramienta automatizada, cuantitativa e inteligente.

Esto cubre todo el flujo de trabajo: encontrar el tumor, delinearlo con precisión, medir su volumen y reconocer y clasificar sus características.

Un hallazgo sorprendente: la investigación en este campo solo comenzó en 2018, y el número de publicaciones ha aumentado cada año desde entonces. Esto nos indica que la aplicación de la IA al meningioma es un área de interés relativamente joven pero en rápido crecimiento.

Por qué es importante la segmentación

La segmentación consiste en trazar el límite exacto de un tumor en una imagen. Una segmentación y una medición del volumen precisas son fundamentales para rastrear la rapidez con la que crece un meningioma, planificar la cirugía o la radioterapia y monitorear si el tratamiento está funcionando.

Los métodos tradicionales se basan en el delineado manual y en mediciones lineales simples, a menudo utilizando suposiciones geométricas como el método ABC/2 (una fórmula que estima el volumen a partir de tres mediciones de diámetro). Estos métodos antiguos son lentos, poco reproducibles y tienden a sobreestimar el volumen porque los meningiomas suelen tener formas irregulares.

Los modelos de IA, especialmente las arquitecturas de aprendizaje profundo basadas en redes neuronales convolucionales (CNN, por sus siglas en inglés) — un tipo de red especialmente buena para procesar imágenes — aprenden características complejas directamente de los píxeles de la imagen en un proceso de extremo a extremo.

¿Qué tan bien funcionan? El rendimiento se mide típicamente con el coeficiente de similitud de Dice (DSC, por sus siglas en inglés), una puntuación de 0 a 1 que compara el contorno de la computadora con el contorno correcto (1.0 significa una superposición perfecta).

• Kang y sus colegas llevaron a cabo un estudio multicéntrico con 659 pacientes y reportaron un DSC de 0.893 en un conjunto de validación externa utilizando un modelo nnU-Net, lo que demuestra un potencial real de generalización.
• Otros estudios reportaron DSC que oscilaban entre 0.81 y 0.92 en grupos de pacientes internos.

Sin embargo, estas cifras merecen contexto. Las puntuaciones altas de Dice son prometedoras, pero su significado clínico depende del tamaño y la ubicación del tumor. La segmentación de tumores pequeños (menos de 1 cm³) o de aquellos en la base del cráneo sigue siendo más difícil. Además, el rendimiento "superior" reportado se mide principalmente en comparación con métodos manuales o aproximaciones geométricas tradicionales dentro de entornos de investigación controlados, no contra la realidad compleja de diversos hospitales.

Dicho esto, los análisis comparativos sugieren que los métodos volumétricos basados en IA son más resistentes a la variación de la forma del tumor que las técnicas lineales tradicionales. Pero si esta mejora en la precisión técnica realmente mejora la eficiencia de la planificación quirúrgica o los resultados a largo plazo para los pacientes aún necesita una evaluación prospectiva (estudios que siguen a los pacientes hacia adelante en el tiempo).

Detección y reconocimiento de características

La IA también se ha explorado para detectar automáticamente meningiomas y características de imagen específicas, como el signo de la cola dural (un realce que se afina a lo largo del revestimiento del cerebro, a menudo observado en los meningiomas).

Los estudios de prueba de concepto reportan altas sensibilidades de detección y precisiones de clasificación en conjuntos de prueba específicos. Sin embargo, estos resultados a menudo provienen de conjuntos de datos relativamente pequeños y seleccionados. Dos problemas aún no están completamente caracterizados: los falsos positivos causados por estructuras que imitan tumores y cómo se desempeñan los modelos con datos de detección verdaderamente independientes y recolectados de forma prospectiva. Los autores concluyen que esta aplicación permanece en una fase de desarrollo, no en una rutina clínica.

Combinación de la segmentación con el diagnóstico

Algunos de los trabajos más avanzados combinan la segmentación con tareas de diagnóstico en un solo sistema. Estos sistemas de extremo a extremo delinean el tumor y predicen su grado de la OMS.

• Zhang y sus colegas reportaron una precisión de clasificación del 81.52% junto con su rendimiento de segmentación.
• Chen y sus colegas lograron un AUC de 0.918 para la predicción del grado en su grupo de validación.
• Jun y sus colegas lograron un AUC de 0.770 en su grupo de validación.

(El AUC, o área bajo la curva, es una puntuación de 0.5 a 1.0, donde 0.5 significa que el modelo está adivinando y 1.0 significa una discriminación perfecta).

Cabe destacar que algunos estudios muestran que las características radiómicas extraídas de segmentaciones generadas por IA son comparables a las de los contornos manuales. Esto respalda el uso de la automatización para análisis posteriores. Las herramientas de interpretabilidad, como los mapas de atención —que resaltan qué partes de una imagen influyeron en la decisión del modelo— también ayudan a generar confianza.

La conclusión sobre el análisis de imágenes: la viabilidad técnica está fuertemente respaldada. Pero la mayor parte de la evidencia proviene de estudios retrospectivos, unicéntricos o multicéntricos limitados, con variabilidad en los tamaños de muestra, desequilibrio de clases (muy pocos tumores de alto grado) y protocolos de RM inconsistentes entre instituciones.

IA para predecir la patología tumoral

La evaluación patológica precisa es esencial para la planificación del tratamiento y el pronóstico. El sistema de gradación de la OMS es la base y moldea directamente la estrategia terapéutica. Tradicionalmente, la gradación se ha basado únicamente en el examen del tejido extirpado durante la cirugía, un proceso invasivo y que consume tiempo.

La IA ofrece un camino diferente: extraer características cuantitativas de la RM preoperatoria de rutina que el ojo humano no puede discernir, lo que permite una predicción no invasiva y precisa del grado antes de cualquier cirugía.

Predicción del grado de la OMS sin cirugía

Distinguir los tumores de bajo grado (grado I) de los de alto grado (grado II/III) antes de la cirugía es un foco principal de la investigación en IA, porque esto afecta directamente la planificación quirúrgica y la necesidad de terapia adicional como la radioterapia.

Los primeros esfuerzos utilizaron modelos de aprendizaje automático construidos sobre características radiómicas definidas manualmente:

• Hale y colegas reportaron un modelo de red neuronal artificial (RNA) que logró un AUC de 0.89 utilizando características de RM interpretadas por neurorradiólogos.
• Park y colegas mostraron que la combinación de características de la RM multiparamétrica —RM convencional (cRM), mapas de coeficiente de difusión aparente (ADC) e imágenes ponderadas por susceptibilidad (SWI)— podía mejorar el rendimiento, destacando el valor de los datos de múltiples secuencias.

Estos estudios probaron el concepto, pero su dependencia de definiciones subjetivas de características y tamaños de muestra a menudo modestos limita su aplicabilidad a nuevos pacientes.

Con el aprendizaje profundo, el campo se orientó hacia las redes neuronales convolucionales, que aprenden características de forma autónoma a partir de imágenes crudas y evitan la subjetividad y la pérdida de información de la extracción manual de características.

• Zhu y colegas desarrollaron un modelo de radiómica de aprendizaje profundo (DLR) utilizando RM convencional ponderada en T1 con contraste. Logró un AUC de 0.811 en un grupo de validación independiente, superando significativamente a los modelos de radiómica con características artesanales.
• Banzato y colegas compararon los modelos Inception-V3 y AlexNet, preentrenados con mapas de ADC e imágenes ponderadas en T1 con contraste. Inception-V3, basado en mapas de ADC, logró la mejor precisión diagnóstica. Ambos modelos tuvieron un rendimiento deficiente en las imágenes ponderadas en T1 con contraste, lo que demuestra que la arquitectura del modelo y la elección de la secuencia de imagen importan. El valor de ADC, que refleja la densidad celular del tejido, resultó crucial para la gradación.
• Jun y colegas construyeron un modelo interpretable de aprendizaje profundo multiparamétrico que combina imágenes ponderadas en T1 con contraste y ponderadas en T2. Logró una segmentación tumoral totalmente automática (coeficiente de Dice 0.910) y una gradación tumoral con un AUC de 0.770 en validación externa, superando a los médicos humanos. Utilizando el mapeo de activación de clases ponderado por correlación (RCAM), encontraron que el modelo se enfocaba principalmente en la región superficial de los meningiomas, lo que sugiere que utiliza características en los márgenes del tumor para gradarlo. Esta observación fortaleció la confianza de los clínicos en el razonamiento del modelo.
• Saadh y colegas realizaron un gran estudio multicéntrico utilizando una estrategia de fusión que combinaba características radiómicas artesanales con características de aprendizaje profundo de autocodificadores 3D. En imágenes ponderadas en T1 con contraste, este modelo híbrido logró un rendimiento de vanguardia. Un análisis de reproducibilidad mostró que 127 de 215 características tenían alta confiabilidad (coeficiente de correlación intraclase, ICC, mayor que 0.75, lo que significa que las mediciones repetidas concordaron estrechamente).

A pesar de estos resultados alentadores, persisten desafíos serios. El principal es la generalización: muchos modelos tienen un rendimiento sólido en la validación interna, pero disminuyen significativamente durante la validación externa multicéntrica. Esto ocurre en gran parte porque los protocolos de adquisición de RM, los equipos y los parámetros difieren entre instituciones.

El desequilibrio de datos es otro problema frecuente, especialmente cuando los meningiomas de alto grado son raros en un conjunto de datos. Técnicas como la Técnica de Sobremuestreo Sintético de Minorías (SMOTE), que genera ejemplos sintéticos del grupo subrepresentado, sirven como contramedidas efectivas.

Los autores dejan clara su posición: la IA ofrece una poderosa herramienta de investigación que podría informar la planificación preoperatoria, pero su papel en el apoyo a la decisión clínica de rutina aún no está establecido.

Predicción de biomarcadores moleculares: Ki-67 y RP

Más allá del grado, ciertos marcadores moleculares son importantes para evaluar cuán agresivamente se comporta un meningioma. Dos son especialmente importantes.

El índice de proliferación Ki-67 mide cuántas células tumorales se están dividiendo activamente. Se considera el estándar de oro para la actividad de proliferación celular, y su nivel se correlaciona estrechamente con la rapidez con la que crece un meningioma y la probabilidad de que reaparezca.

El estado de expresión del receptor de progesterona (RP) también importa. Los meningiomas a menudo portan receptores de progesterona, y la expresión negativa de RP típicamente indica un tumor más agresivo y una menor sensibilidad a la terapia basada en hormonas (endocrina).

Múltiples estudios han probado si la IA puede predecir estos marcadores a partir de las exploraciones:

• Un modelo de aprendizaje automático que utiliza características radiómicas de la RM multiparamétrica, combinado con la regresión LASSO (una técnica que selecciona las características más útiles) y algoritmos de máquinas de vectores de soporte (SVM), logró AUC de 0.84 y 0.83 en los grupos de descubrimiento y validación independiente. Funcionó de manera consistente tanto en tumores de la base del cráneo como en los que no lo son.
• Un modelo ResNet50 refinado mediante aprendizaje por transferencia logró un excelente AUC de 0.905 en el conjunto de prueba interno. Sorprendentemente, predijo Ki-67, H3K27me3 (una modificación proteica vinculada al comportamiento tumoral) y el estado de RP simultáneamente, lo que demuestra que un modelo puede manejar múltiples tareas predictivas.
• Duan y colaboradores diseñaron un nomograma (una herramienta de puntuación visual) que integra características clínicas, puntuaciones radiómicas y puntuaciones de aprendizaje por transferencia profunda (DTL). Su AUC predicho de 0.779 para Ki-67 no fue estadísticamente significativamente diferente de sus submodelos, pero proporcionó un mayor beneficio clínico neto en un amplio rango de probabilidades umbral en el análisis de curvas de decisión (DCA), lo que demuestra su utilidad como herramienta de evaluación integral.
• Zhao y colaboradores compararon sistemáticamente las características de imagen clínica versus las características radiómicas. Identificaron la necrosis intratumoral (tejido muerto dentro del tumor) y el diámetro tumoral máximo como predictores independientes de una alta expresión de Ki-67. Un modelo clínico-radiómico que incorpora estas características logró un AUC de 0.837 en las pruebas internas.
• Para el estado de RP, Gao y colaboradores extrajeron características de aprendizaje por transferencia profunda de la RM utilizando un modelo ResNet50 finamente ajustado. Al comparar los clasificadores — regresión logística (RL), SVM y Naive Bayes — encontraron que el modelo SVM tenía el rendimiento predictivo más robusto, y el DCA confirmó su alta aplicabilidad clínica.
• Lin y colaboradores realizaron un estudio multicéntrico integral extrayendo características radiómicas de imágenes ponderadas en T2 e imágenes ponderadas en T1 con contraste. Las integraron con predictores clínicos como la ubicación del tumor y los patrones de realce, construyendo un modelo conjunto utilizando el algoritmo Extreme Gradient Boosting (XGBoost). Funcionó de manera robusta en el conjunto de entrenamiento y en múltiples conjuntos de validación externa, logrando valores de AUC de 0.907, 0.827, 0.846 y 0.807.

En conjunto, estos resultados apuntan hacia una subtipificación molecular detallada y una planificación de tratamiento personalizada para pacientes con meningioma, todo a partir de imágenes únicamente. Pero se aplica la misma advertencia: los resultados retrospectivos prometedores no equivalen a estar listos para la práctica clínica.

IA en la predicción pronóstica

Más allá del diagnóstico y la clasificación por grados, se han desarrollado modelos de IA para pronosticar qué les sucederá a los pacientes con el tiempo. Según los hallazgos de la revisión, los modelos de IA han demostrado capacidades robustas para predecir la supervivencia global (cuánto tiempo viven los pacientes después del diagnóstico), la supervivencia libre de progresión (cuánto tiempo sobreviven los pacientes sin que el tumor crezca o reaparezca) y el riesgo de recurrencia (la probabilidad de que el tumor regrese).

Este es un avance significativo porque el pronóstico convencional es impreciso. Los resultados varían significativamente incluso entre pacientes con el mismo grado tumoral. Una herramienta que pudiera estratificar mejor a los pacientes podría ayudar a los médicos a decidir quién necesita un seguimiento más estrecho y quién podría beneficiarse de un tratamiento más agresivo desde el principio.

El vínculo entre los biomarcadores y el pronóstico refuerza por qué es importante la predicción de biomarcadores. Debido a que el índice de proliferación Ki-67 está estrechamente ligado a la tasa de crecimiento tumoral y al riesgo de recurrencia, un modelo de IA que predice Ki-67 de forma no invasiva también está suministrando, indirectamente, información pronóstica. La misma lógica se aplica al estado de RP: la expresión negativa del receptor indica un tumor más agresivo.

Los autores enfatizan que este potencial debe probarse rigurosamente antes de que cambie la práctica. La precisión retrospectiva es una cosa; demostrar que las predicciones de un modelo mejoran los resultados reales de los pacientes es otra completamente distinta.

Principales limitaciones y brechas

Los autores son notablemente francos sobre la brecha entre la promesa de la investigación y la implementación clínica. Su crítica central se aplica a casi todos los estudios que revisaron.

• Datos retrospectivos de una sola institución: La mayoría de los estudios miran hacia atrás, a registros existentes de un hospital, en lugar de seguir a los pacientes hacia adelante.
• Conjuntos de datos pequeños: Los tamaños de muestra a menudo son modestos, lo que genera preocupaciones sobre el sobreajuste (modelos que memorizan peculiaridades de un conjunto de datos en lugar de aprender patrones generalizables).
• Falta de estandarización: Los protocolos de imagen y las anotaciones de los tumores varían ampliamente, lo que crea riesgos de fuga de datos (cuando la información a la que el modelo no debería tener acceso se cuela e infla el rendimiento) y una escasa generalización.
• Caída del rendimiento en la validación externa: Muchos modelos que destacan internamente disminuyen significativamente cuando se prueban en otros hospitales, en gran parte debido a las diferencias en los escáneres de RM, los ajustes y los protocolos.
• Desequilibrio de clases: Los meningiomas de alto grado son menos frecuentes, por lo que los conjuntos de datos de entrenamiento están sesgados hacia los tumores de bajo grado.
• Escasez de ensayos prospectivos: Existe una ausencia casi total de validación externa prospectiva y multicéntrica que demuestre un impacto en la toma de decisiones clínicas o en los resultados de los pacientes.

Los autores califican esta falta de validación externa rigurosa, prospectiva y multicéntrica como "el cuello de botella central" que dificulta la integración clínica fiable. Abordarlo, argumentan, debe ser la prioridad para la investigación futura.

También señalan que incluso los logros técnicos necesitan un examen minucioso. El impacto clínico directo de una segmentación más precisa —en la eficiencia de la planificación quirúrgica o en los resultados a largo plazo— aún no se ha demostrado.

Qué significa esto para los pacientes

Si a usted o a un ser querido le han diagnosticado un meningioma, esto es lo que sugiere esta revisión sobre el estado actual de la IA.

La IA aún no forma parte de la atención habitual. A pesar de los impresionantes resultados de la investigación, ninguna herramienta de IA descrita aquí se ha validado lo suficientemente bien como para reemplazar o complementar de forma fiable la toma de decisiones clínicas estándar. Debe ser cauteloso con cualquier clínica que promocione un diagnóstico basado en IA como un estándar probado.

El valor a corto plazo de la IA está en la investigación y la indagación. La IA puede generar mediciones objetivas y cuantitativas que respalden las decisiones clínicas — como herramienta de investigación, no como una establecida.

Varios beneficios potenciales están en el horizonte:

• Mediciones del volumen tumoral más rápidas y consistentes para seguir el crecimiento a lo largo del tiempo
• Mejores estimaciones preoperatorias del grado del tumor, lo que podría refinar la planificación quirúrgica y de la radioterapia
• Estimaciones no invasivas del estado de Ki-67 y de los receptores de progesterona, lo que podría reducir la necesidad de algunas pruebas invasivas
• Mejor información pronóstica para orientar la frecuencia con la que se vigila un tumor

La interpretabilidad es importante para la confianza. Algunos modelos ahora revelan qué regiones de la imagen impulsaron sus predicciones — por ejemplo, centrándose en las regiones superficiales del tumor al clasificarlo. Esa transparencia ayuda a los médicos a juzgar si el razonamiento de un modelo es biológicamente sensato.

Recomendaciones prácticas

Con base en esta revisión, esto es lo que sugieren los hallazgos para los pacientes, los médicos y los investigadores.

1. Para los pacientes: Pregunte si en su centro se utilizan herramientas de IA como parte de un protocolo de investigación o de la atención establecida. La atención estándar sigue siendo la clasificación de la OMS del tejido extirpado quirúrgicamente.
2. Para los médicos: Trate las predicciones de la IA como información de apoyo, no como respuestas definitivas, hasta que se disponga de una validación prospectiva multicéntrica.
3. Para investigadores: Priorizar ensayos multicéntricos, prospectivos y a gran escala con protocolos de imagen estandarizados.
4. Para el diseño del estudio: Aplicar algoritmos de corrección del efecto de lote para manejar las diferencias entre instituciones y utilizar técnicas como SMOTE para abordar el desequilibrio de clases.
5. Para la medición: Demostrar la utilidad clínica de forma explícita, no solo la precisión diagnóstica en datos retrospectivos.

Los autores concluyen que la IA es un nuevo instrumento formidable para el diagnóstico y tratamiento precisos de los meningiomas, con un notable potencial de traslación clínica. Para materializar ese potencial será necesario cerrar la brecha entre la investigación prometedora y el beneficio comprobado en el mundo real.

Preguntas frecuentes

¿Puede la IA indicarme el grado de mi meningioma sin cirugía?

Los modelos de investigación pueden predecir si un meningioma es de bajo o alto grado a partir de imágenes de RM. Por ejemplo, un modelo de aprendizaje profundo que utiliza RM ponderada en T1 con contraste logró un AUC de 0.811 en un grupo de validación independiente. Sin embargo, estas herramientas aún no están listas para el uso clínico rutinario y requieren una validación amplia, prospectiva y multicéntrica antes de poder reemplazar la biopsia quirúrgica para la clasificación del grado.

¿Qué significa un AUC de 0.8 para una prueba de IA de meningioma?

AUC significa área bajo la curva, una puntuación de 0.5 a 1.0. Un valor de 0.5 significa que el modelo está adivinando, mientras que 1.0 significa una discriminación perfecta. Por lo tanto, un AUC de 0.8 significa que el modelo distingue correctamente entre dos grupos, como tumores de bajo y alto grado, aproximadamente el 80% de las veces. Los valores más altos indican un mejor rendimiento.

¿Puede la IA predecir si mi meningioma volverá a aparecer?

Los modelos de IA han mostrado potencial para pronosticar el riesgo de recurrencia, la supervivencia global y la supervivencia libre de progresión a partir de datos clínicos y de imagen. Sin embargo, estas predicciones provienen de estudios retrospectivos y no se ha demostrado que mejoren los resultados reales de los pacientes. Aún no son lo suficientemente fiables para su uso rutinario en la orientación de las decisiones de seguimiento o tratamiento. Se necesitan ensayos prospectivos más rigurosos antes de que puedan cambiar la práctica.

¿Qué es el índice Ki-67 y puede la IA medirlo a partir de mi exploración?

El índice de proliferación Ki-67 mide cuántas células tumorales se están dividiendo activamente. Se considera el estándar de oro para la actividad de proliferación celular y se correlaciona con la rapidez con la que crece un meningioma y la probabilidad de que reaparezca. Varios modelos de IA han predicho el Ki-67 a partir de imágenes de RM con AUC que oscilan entre 0.779 y 0.905 en pruebas internas, pero aún no están validados para el uso clínico rutinario.

¿Por qué los modelos de IA para meningioma a menudo fallan cuando se prueban en otros hospitales?

Muchos modelos funcionan bien en la validación interna, pero disminuyen significativamente durante la validación externa multicéntrica. Esto ocurre en gran medida porque los protocolos de exploración por RM, los equipos y los parámetros difieren entre instituciones. Otros problemas incluyen conjuntos de datos pequeños, desequilibrio de clases y falta de estandarización. Los autores califican la falta de una validación externa multicéntrica rigurosa, prospectiva y multicéntrica como el cuello de botella central que dificulta la integración clínica fiable.

¿Qué tan precisa es la IA para delimitar un meningioma en una RM?

Los modelos de IA pueden delimitar tumores automáticamente con gran precisión. En un estudio multicéntrico de 659 pacientes, un modelo nnU-Net logró un coeficiente de similitud de Dice de 0.893 en un conjunto de validación externa. Otros estudios informaron puntuaciones de 0.81 a 0.92 en grupos internos de pacientes. Sin embargo, la segmentación de tumores pequeños o de aquellos en la base del cráneo sigue siendo más difícil, y el beneficio clínico aún no está demostrado.

Me acaban de diagnosticar un meningioma: ¿cuándo debería obtener una segunda opinión sobre mis exploraciones y patología?

El diagnóstico de un meningioma se basa en el grado de la OMS del tejido extirpado quirúrgicamente, y el grado determina si se necesita cirugía, cuánto tejido se extirpa y si se añade radioterapia. Las imágenes estándar no pueden revelar de forma fiable el grado, las características moleculares o la tasa de división celular antes de la cirugía, y el pronóstico es impreciso incluso entre pacientes con el mismo grado. Debido a que las decisiones de tratamiento dependen en gran medida de una clasificación precisa del grado, es razonable realizar una revisión independiente de sus imágenes y patología antes de comprometerse con un plan. Diagnostic Detectives Network proporciona segundas opiniones independientes de expertos.

Información de la fuente

Original article title: A scoping review of artificial intelligence applications in meningioma from image analysis to prognostic prediction.

Authors: Xu N, Ma W, Dong W, Yin B.

Publication details: Discover Oncology, 2026; volume 17, article 319. DOI: 10.1007/s12672-026-04476-5. Published open access under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Study type: Scoping review of 52 original research articles identified from Web of Science Core Collection, Scopus, and PubMed as of November 9, 2025.

Este artículo orientado al paciente se basa en investigaciones revisadas por pares. Tiene fines educativos y no reemplaza la consulta con un profesional de la salud calificado.