IA de Harvard supera a métodos clásicos para detectar la reaparición del cáncer infantil
Un modelo de inteligencia artificial analiza el historial completo de resonancias magnéticas de niños con tumores cerebrales, prediciendo recaídas con una precisión inédita
El cáncer en niñas y niños es una sombra que se cae sobre miles de familias cada año. Entre los más comunes están los gliomas, tumores cerebrales que, aunque a menudo se curan con cirugía, pueden reaparecer sin previo aviso.
Hasta ahora, predecir ese retorno era como “adivinar” el clima sin satélites: impreciso y lleno de incertidumbre.
Un grupo de investigación de Harvard y el Mass General Brigham han creado una herramienta que podría cambiar esta situación: una Inteligencia Artificial (IA) que “mira” imágenes médicas y las “lee” en el tiempo, como si hojease un álbum de fotos en busca de señales casi imperceptibles.
El truco está en el tiempo: así "piensa" la IA
Los modelos tradicionales de inteligencia artificial analizan imágenes médicas de forma aislada, como quien juzga una película viendo solo un fotograma.
Según detalla el estudio publicado en The New England Journal of Medicine, el modelo se entrenó con casi 4 mil resonancias de 715 pacientes, aprendiendo a detectar patrones microscópicos en el tejido cerebral que predicen una recaída.
El resultado fue asombroso: acertó en el 75-89% de los casos, frente al 50% de los métodos actuales, que en la práctica, equivalen a lanzar una moneda al aire.
Menos estrés para niñas y niños, más eficiencia para la medicina
Actualmente, casi todos los niños y niñas con glioma se someten a un seguimiento exhaustivo con resonancias magnéticas durante muchos años, una rutina que puede generar estrés y ansiedad tanto en los pacientes como en sus familias.
El punto más importante de esta nueva metodología, según explican los investigadores en un comunicado de The Harvard Gazette, es la capacidad de identificar tempranamente a quienes tienen mayor riesgo de recaída.
Esto podría significar tratamientos menos invasivos para algunos niños y niñas y un seguimiento más intensivo para otros, optimizando tanto la supervivencia como la calidad de vida.
Pero la importancia de esta nueva metodología va más allá del cáncer infantil. Tal como explica Divyanshu Tak, investigador del Mass General Brigham y autor principal del estudio, “esta técnica no solo sirve para gliomas; podría aplicarse en cualquier enfermedad donde se usen imágenes secuenciales".
Del laboratorio a la vida real
A pesar de estos resultados esperanzadores, el grupo es cauteloso. Antes de que esta tecnología llegue a las clínicas, se necesitan más estudios para confirmar su precisión en diferentes contextos y tipos de pacientes.
Además, la implementación a gran escala requiere superar desafíos técnicos, éticos y regulatorios.
Benjamin Kann, autor líder de la investigación.
Si esta tecnología se consolida, podría ser el equivalente médico a un satélite que observa desde lo alto, captando señales invisibles antes de que se conviertan en tormenta.
Porque, al final, en la batalla contra el cáncer infantil, cada imagen cuenta, cada segundo importa y cada oportunidad de adelantarse a la enfermedad puede ser la diferencia entre una vida llena de recuerdos o una historia interrumpida.
Fuentes y referencias de la noticia:
- Tak D., Kann B., et al. (2025). Longitudinal Risk Prediction for Pediatric Glioma with Temporal Deep Learning. The New England Journal of Medicine.
- Comunicaciones Mass General Brigham. (2025). Earlier warning on pediatric cancer recurrence. The Harvard Gazette.