Empresas Premium
El proyecto europeo GLIOGEN-X ha comenzado su investigación para determinar si las imágenes obtenidas mediante resonancia magnética (RM) cerebral contienen información suficiente para caracterizar el perfil molecular de los gliomas, con el objetivo de desarrollar un modelo de “biopsia virtual” basado en inteligencia artificial (IA).
La iniciativa cuenta con un presupuesto de 3,99 millones de euros y tendrá una duración de cuatro años. Es uno de los siete proyectos financiados por el European Innovation Council (EIC) dentro de la convocatoria Pathfinder Challenges, destinada a impulsar investigaciones de frontera con un elevado potencial de innovación.
El proyecto está coordinado por la pyme italiana Siena Imaging y cuenta con la participación de la Universitat Oberta de Catalunya (UOC), a través del grupo de investigación NeuroADaS Lab Cognitive Neuroscience and Applied Data Science Lab, la Fondazione Toscana Life Sciences, la Universidad de Mánchester y la Northern Care Alliance NHS Foundation Trust.
El objetivo principal de GLIOGEN-X es desarrollar y validar un modelo capaz de predecir el perfil molecular de un glioma directamente a partir de imágenes de resonancia magnética.
Para ello, los investigadores trabajarán con más de 3.000 resonancias magnéticas anotadas procedentes de hospitales de Mánchester y Sheffield. El proyecto parte de resultados preliminares obtenidos por Siena Imaging en investigaciones anteriores, en las que se alcanzó una precisión de entre el 86 % y el 96 % en la predicción de los principales subtipos moleculares de los gliomas.
La investigación tratará de comprobar si existe una “huella biológica” molecular detectable en las imágenes de RM que permita identificar las mutaciones utilizadas para clasificar estos tumores.
El proyecto se estructura en torno a tres líneas principales de investigación. La primera contempla el uso de IA generativa para crear imágenes de resonancia magnética sintéticas que reproduzcan las características asociadas a diferentes tipos de gliomas. Estos datos podrían contribuir a ampliar los conjuntos disponibles para la investigación.
La segunda busca identificar y verificar la existencia de patrones moleculares en las imágenes de RM. La tercera se centra en desarrollar modelos algorítmicos interpretables, evitando que el sistema funcione como una “caja negra”, para predecir las características moleculares de los tumores de forma no invasiva.
Todo el proceso se apoyará en una infraestructura de aprendizaje federado, que permitirá entrenar y validar los modelos de IA de forma distribuida sin necesidad de transferir los datos de los pacientes entre hospitales.
Este enfoque busca facilitar la colaboración entre centros sanitarios al tiempo que mantiene la información clínica en sus lugares de origen y permite trabajar dentro del marco europeo de protección de datos y regulación de la inteligencia artificial.
Los gliomas son los tumores cerebrales más frecuentes en adultos. El diagnóstico y la selección del tratamiento dependen actualmente, entre otros factores, del perfil molecular del tumor, que se obtiene mediante procedimientos de biopsia.
Sin embargo, estos procedimientos son invasivos y pueden no ser practicables en determinados pacientes, por ejemplo, cuando presentan una situación de especial fragilidad o cuando el tumor se encuentra en una localización profunda.
En este contexto, GLIOGEN-X pretende determinar hasta qué punto la resonancia magnética puede aportar información sobre la biología del tumor sin necesidad de recurrir a procedimientos invasivos.
Si el principio investigado se valida, el proyecto podría abrir nuevas vías para obtener información molecular en pacientes que actualmente presentan dificultades para someterse a procedimientos diagnósticos o quirúrgicos.
Además, la iniciativa contempla generar una plataforma y una colección de datos reutilizables que puedan contribuir al desarrollo de sistemas de inteligencia artificial aplicados a la salud bajo criterios de seguridad, privacidad e interpretabilidad.
La UOC participa especialmente en el desarrollo de la infraestructura de aprendizaje federado, con el objetivo de aprovechar datos procedentes de distintos centros y mejorar la robustez y capacidad de generalización de los modelos sin comprometer la privacidad de los pacientes.
1.jpg)
