El glioma es uno de los tipos más comunes de tumores primarios del cerebro, y representa más del 70% de todos los tumores cerebrales malignos. Debido al perfil molecular y la biología extremadamente compleja y heterogénea del glioma, el enfoque de “el mismo tratamiento para todos” no funciona en esta enfermedad, y el tratamiento estándar no es siempre la mejor opción. Debido a la falta de enfoques de medicina personalizada, en los últimos 15 años no ha habido ninguna mejora terapéutica en estos pacientes.
Los métodos de análisis automatizados de imagen médica basados en IA se están demostrando prometedores como medio para caracterizar la heterogeneidad del tumor. La delimitación de hábitats o subregiones con propiedades funcionales diferenciadas ha demostrado ser una aproximación fructífera para descubrir asociaciones entre marcadores clínicos como la supervivencia global o la efectividad de tratamientos, y los biomarcadores propuestos. Los investigadores del Biomedical Data Science Laboratory (ITACA) de la Universitat Politècnica de València (UPV) hemos propuesto la metodología Hemodynamic Tissue Signature (HTS) para caracterizar la heterogeneidad vascular del glioblastoma combinado métodos de aprendizaje profundo y aprendizaje no supervisado estructural. La metodología HTS ha sido validada en el estudio multicéntrico internacional NCT03439332, y está accesible para su uso en investigación en https://www.oncohabitats.upv.es.
