El sarcoma de Ewing es un cáncer agresivo que afecta a huesos y tejidos blandos, principalmente en la población infantil y adolescente. Su diagnóstico se complica debido a su apariencia, que puede asemejarse a otros tumores como el rabdomiosarcoma, el condrosarcoma, los tumores del estroma gastrointestinal y el sarcoma sinovial. Con el fin de reducir los errores diagnósticos y preservar el limitado material biológico que se obtiene en las biopsias, un nuevo sistema de inteligencia artificial ha sido desarrollado para mejorar la identificación de esta enfermedad. Francisco Giner, investigador principal y primer autor del estudio, junto a Isidro Machado y Samuel Navarro, comentan que muchas biopsias son muy pequeñas y el tejido disponible es escaso.
Este sistema asistirá a los patólogos en el diagnóstico, ayudando a determinar qué pruebas complementarias son más pertinentes y evitando así el desperdicio de material en análisis que no proporcionen información relevante. La investigación fue llevada a cabo por el grupo CVBLab de la Universitat Politècnica de València, en colaboración con Artikode Intelligence, una empresa derivada de la misma universidad.
Valery Naranjo, coordinadora del CVBLab y directiva de Artikode Intelligence, indicó que esta herramienta está diseñada para asistir al personal médico en el campo de la anatomía patológica. Facilita la identificación de patrones microscópicos específicos de cada tipo de tumor y genera clasificaciones más precisas. Para la validación del sistema, los investigadores utilizaron 1.926 muestras histológicas digitalizadas pertenecientes a 729 pacientes de cuatro hospitales en España e Italia, de las cuales 517 eran casos de sarcoma de Ewing.
En las pruebas realizadas con una cohorte independiente, el sistema logró una precisión diagnóstica general del 91,6%, destacando una sensibilidad del 97,1% para el sarcoma de Ewing. Además, la tasa de error en la distinción entre sarcoma de Ewing y rabdomiosarcoma fue muy baja, del 1,96%, lo que representa un avance significativo en el diagnóstico diferencial entre estos tumores de células redondas pequeñas.
Giner enfatizó que el verdadero valor de este trabajo va más allá de los aspectos técnicos del algoritmo. Resaltó que la innovación radica en la forma en que se ha abordado el problema clínico, el tipo de datos utilizados y la estrategia de clasificación, lo que permite que esta herramienta tenga aplicaciones en la práctica patológica real. Destacó que la inteligencia artificial no pretende sustituir el trabajo de los patólogos, sino ofrecerles un apoyo diagnóstico eficaz, lo cual es especialmente relevante en hospitales con acceso limitado a todas las pruebas moleculares necesarias para llegar a un diagnóstico certero.
Los autores concluyen que este desarrollo representa un avance significativo en la investigación y establece un precedente en la metodología de la oncología computacional. Este marco analítico sentará las bases para futuros proyectos que permitirán el uso de algoritmos similares en imágenes de secciones tisulares completas, extendiendo así el apoyo diagnóstico a otras neoplasias raras con desafíos similares.
