Identificación de células de glioma clínicamente ocultas y caracterización del comportamiento del glioma a través del análisis de aprendizaje automático de tecnología de imagen avanzada

Los gliomas son uno de los tumores más difíciles de tratar, porque las áreas del cerebro aparentemente normales contienen depósitos microscópicos de células de glioma; de hecho, se sabe que estas células ocultas se infiltran varios centímetros más allá de la lesión clínicamente aparente visualizada en la tomografía computarizada estándar o en la resonancia magnética nuclear (RMN). Dado que no es factible extirpar o irradiar grandes volúmenes del cerebro, es importante enfocarse solo en el tumor visible y las regiones infiltradas del cerebro. Sin embargo, debido a la capacidad limitada para detectar células de glioma ocultas, los médicos actualmente agregan un margen uniforme de 2 cm o más más allá de la anomalía visible e irradian ese volumen. Sin embargo, la evidencia sugiere que el crecimiento del glioma no es uniforme: el crecimiento se favorece en ciertas direcciones y se impide en otras. Esto significa que es importante determinar, para cada paciente, qué áreas tienen un alto riesgo de albergar células ocultas. Proponemos abordar esta tarea aprendiendo cómo crecieron los gliomas, mediante la aplicación de algoritmos de aprendizaje automático a una base de datos de imágenes (obtenidas mediante varias tecnologías de imágenes avanzadas: MRI, MRS, DTI y MET-PET) de pacientes anteriores con glioma. Los avances se traducirán directamente en mejoras para los pacientes.