Los tumores cerebrales, en particular los gliomas, siguen siendo difíciles de diagnosticar y tratar.

Si bien los informes radiológicos pueden ofrecer información no invasiva sobre el tamaño, la forma y la progresión del tumor, y los informes patológicos proporcionan pruebas definitivas de las características celulares y moleculares, la falta de integración entre estas dos fuentes de información a menudo complica la toma de decisiones clínicas.

Para superar este problema, un equipo de investigación dirigido por el Dr. Zhuoqi Ma, del Departamento de Radiología de la Universidad de Brown y Brown University Health, creó un canal que emplea un modelo de lenguaje grande preentrenado para unificar los informes radiológicos y patológicos.

En una muestra de 426 pacientes, el sistema alcanzó una puntuación micro F1 de 0,849 para la presencia de tumores y de 0,929 para la estabilidad de los tumores, superando los métodos de fuente única en más de un 10 %.

«Los modelos lingüísticos de gran tamaño (LLM) pueden sintetizar información de múltiples dominios y ofrecer una imagen más completa del estado del tumor», explica Ma.

«Esto no solo mejora la precisión del diagnóstico, sino que también permite al modelo predecir los resultados de supervivencia sin necesidad de formación adicional».

El equipo validó aún más su enfoque en una cohorte independiente de pacientes con glioblastoma.

Las predicciones del modelo, en particular las relacionadas con la estabilidad del tumor, distinguieron significativamente a los grupos de alto riesgo de los de bajo riesgo (p = 0,017), lo que demuestra un valor pronóstico comparable al de biomarcadores bien establecidos, como el estado de metilación de MGMT.

Estos hallazgos ponen de relieve el potencial de la integración basada en LLM para reducir la incertidumbre diagnóstica y respaldar estrategias de tratamiento más personalizadas en neurooncología.

El estudio, publicado en la revista KeAi Meta-Radiology, sienta las bases para futuras investigaciones sobre la integración de múltiples fuentes en la oncología clínica.

«Ampliar el enfoque para incluir modalidades como las imágenes de resonancia magnética y los perfiles genómicos podría mejorar aún más la capacidad predictiva y acelerar el progreso hacia la atención oncológica de precisión», añade Ma.

Fuente: KeAi Communications Co., Ltd.