← Volver al inicio

La IA intenta distinguir 81 tipos de tumores sanguíneos y linfáticos a partir de pistas de metilación del ADN

ALMA 3 mostró resultados destacados en la detección y clasificación de tumores en una prueba independiente, pero el tamaño del conjunto de entrenamiento no equivale a evidencia clínica; aún se necesita una validación más completa para determinar si puede identificar cada subtipo de forma consistente.

By SURL BioNews

En los cánceres de la sangre y del sistema linfático, identificar un tumor es solo un paso del diagnóstico; determinar a qué subtipo pertenece permite orientar mejor el pronóstico y el tratamiento. Cuando resulta difícil distinguir distintas enfermedades mediante métodos tradicionales, los investigadores intentan encontrar otro conjunto de pistas de clasificación en los patrones de metilación del ADN, para que la información molecular complemente la interpretación anatomopatológica.

En la reunión anual de 2026 de la Asociación de Patología Molecular (AMP), celebrada en Seattle, el equipo de investigación presentó ALMA 3, un modelo fundacional de IA. Según el comunicado de AMP y las informaciones de ecancer y LabMedica sobre el mismo evento, el modelo se entrenó con más de 110.000 muestras de pacientes, y el estudio abarcó 81 subtipos de tumores sanguíneos y linfáticos, incluidas categorías difíciles de distinguir mediante el diagnóstico tradicional.

La investigación fue dirigida por Pedro Orsini, de ALMA Genomics, y entre las instituciones participantes figuraron la Universidad de Pensilvania y el Instituto Tecnológico de Massachusetts. AMP la incluyó como el resumen H071, cuyo tema es el desarrollo de un modelo de clasificación jerárquica de neoplasias hematolinfoides conforme a los marcos de la OMS y de la Clasificación de Consenso Internacional (ICC). La metilación consiste en marcas químicas en el ADN; ALMA 3 utiliza los patrones de distribución de estas marcas para ayudar a identificar los tumores y sus categorías.

La prueba independiente presentada en el estudio incluyó dos indicadores distintos: una sensibilidad del 99,5% para detectar neoplasias hematolinfoides y un valor predictivo positivo del 90,9% para asignar el subtipo de cáncer. El primero describe qué proporción de las muestras evaluadas que realmente tenían un tumor fue identificada por el modelo; el segundo refleja la proporción de aciertos cuando el modelo asigna un subtipo. Ambos responden a preguntas distintas y no pueden interpretarse conjuntamente como una «exactitud diagnóstica del 99,5%».

También es necesario distinguir que la cifra de más de 110.000 se refiere al tamaño del conjunto de muestras de entrenamiento, no al número de personas de la prueba independiente descrita en el comunicado. Las informaciones disponibles no detallan el número total de muestras de prueba, la distribución de casos por subtipo, los intervalos de confianza ni el rendimiento por categoría. Por ello, todavía no es posible determinar si los resultados son igualmente fiables para los subtipos raros, ni deducir de las cifras globales que los 81 subtipos obtuvieron resultados uniformes. Estas informaciones tampoco publicaron la especificidad de la detección de tumores; una sensibilidad elevada, por sí sola, no permite saber cuántas muestras se clasificaron erróneamente como tumorales.

Estos datos hacen de ALMA 3 una herramienta de apoyo a la anatomía patológica que merece una mayor validación, pero todavía no bastan para demostrar que pueda mejorar las decisiones en la práctica clínica habitual. Para incorporarlo a la clínica, aún es necesario aclarar su rendimiento con distintos tipos de muestras y condiciones de laboratorio, así como la forma de integrar la información cuando la clasificación del modelo no coincida con las pruebas existentes. Las informaciones públicas tampoco proporcionaron datos sobre el coste de la prueba, el tiempo de respuesta ni la aprobación regulatoria.

AMP indicó que se está realizando una validación clínica adicional. La siguiente cuestión clave es si el modelo puede aportar de forma consistente pistas útiles para la clasificación en los casos difíciles que se presentan en la práctica y ayudar a los médicos a emitir juicios más fiables. Esto determinará si las destacadas cifras de las pruebas pueden traducirse en una ayuda real dentro del proceso diagnóstico de los pacientes.

References

  1. ecancer
  2. Association for Molecular Pathology
  3. LabMedica International