Aplicaciones de la inteligencia artificial en la resonancia magnética para el diagnóstico de gliomas: Avances, técnicas y limitaciones
DOI:
https://doi.org/10.33448/rsd-v15i1.50182Palabras clave:
Espectroscopia de Resonancia Magnética, Glioma, Inteligencia Artificial.Resumen
Introducción: La resonancia magnética (RM) es una de las principales técnicas utilizadas en el diagnóstico de gliomas, pero presenta limitaciones en la diferenciación tumoral y en la predicción de marcadores moleculares. La inteligencia artificial (IA) ha emergido como una herramienta complementaria, capaz de aumentar la precisión diagnóstica y apoyar las decisiones clínicas. Método: Se realizó una revisión sistemática de artículos publicados entre 2015 y 2025 en las bases de datos PubMed, MEDLINE y SciELO. La calidad metodológica se evaluó utilizando la herramienta AMSTAR-2. Resultados: Los modelos basados en DL y ML mostraron un rendimiento prometedor, con una precisión superior al 95% en algunos casos, especialmente las redes neuronales convolucionales (CNN). Los modelos híbridos que integran datos radiómicos y clínico-moleculares mostraron una mejor sensibilidad y especificidad para diferenciar entre gliomas de bajo y alto grado. Sin embargo, limitaciones como la heterogeneidad metodológica, la falta de estandarización de los protocolos de imagen, el riesgo de sobreajuste y la falta de una validación externa robusta aún restringen la aplicación clínica a gran escala. Discusión: La IA ha demostrado ser prometedora en la automatización de análisis de imágenes complejos, la reducción de sesgos subjetivos y la mejora de la precisión diagnóstica. Sin embargo, persisten desafíos en cuanto a la estandarización de protocolos, la dificultad de compatibilidad entre sistemas y la transparencia de los algoritmos, factores que dificultan su incorporación clínica. Conclusión: La integración de la IA en la resonancia magnética representa un hito en la neuroimagen oncológica, con un gran potencial revolucionario en el diagnóstico de gliomas. Para incorporar estas técnicas de forma segura en la práctica clínica, se requieren estudios multicéntricos, modelos interpretables y políticas que garanticen la validación ética, la reproducibilidad y la accesibilidad equitativa.
Referencias
Alhasan, A. S. (2021). Clinical Applications of Artificial Intelligence, Machine Learning, and Deep Learning in the Imaging of Gliomas: A Systematic Review. Cureus. 13(11):e19580. doi: 10.7759/cureus.19580. eCollection 2021 Nov.
Al-Rumaihi, G., Khan, M. M., Saleh, A., Ali, A., Al-Romaihi, L., Al-Jaber, N. et al. (2025). Performance Evaluation of Artificial Intelligence Techniques in the Diagnosis of Brain Tumors: A Systematic Review and Meta-Analysis. Cureus. 17(7):e88915. doi: 10.7759/cureus.88915. eCollection 2025 Jul.
Bonm, A. V., Ritterbusch, R., Throckmorton, P. & Graber, J. J. (2020). Clinical Imaging for Diagnostic Challenges in the Management of Gliomas: A Review. Journal of Neuroimaging. 30(2):139–45.
Brasil. (2020). Diretrizes diagnósticas e terapêuticas de tumor cerebral no adulto. http://conitec.gov.br/. https://www.gov.br/conitec/pt-br/midias/protocolos/publicacoes_ms/20201218_pcdt_tumor_cerebral_em_adulto_isbn.pdf.
Chen, X., Lei, J., Wang, S., Zhang, J. & Gou. L. (2024). Diagnostic accuracy of a machine learning-based radiomics approach of MR in predicting IDH mutations in glioma patients: a systematic review and meta-analysis. Front Oncol. 14:1409760. doi: 10.3389/fonc.2024.1409760. eCollection 2024.
Chilaca-Rosas, M. F., Contreras-Aguilar, M. T., Pallach-Loose, F., Altamirano-Bustamante, N. F., Salazar-Calderon, D. R., Revilla-Monsalve, C., et al. (2025). Systematic review and epistemic meta-analysis to advance binomial AI-radiomics integration for predicting high-grade glioma progression and enhancing patient management. Sci Rep. 15(1):16113.
Crossetti, M. G. O. (2012). Revisão integrativa de pesquisa na enfermagem o rigor cientifico que lhe é exigido. Rev Gaúcha Enferm. 33(2):8-9. https://www.scielo.br/j/rgenf/a/9TrSVHTDtDGhcP5pLvGnt5n/?format=pdf&lang=pt.
De Maria, L., Ponzio, F., Cho, H., Sogen, K., Tsougos, I., Gasparini, M. et al. (2024). The Current Diagnostic Performance of MRI-Based Radiomics for Glioma Grading: A Meta-Analysis. J Integr Neurosci. 23(5).
Maia Jr., A. C. M. (2005). Avaliação da contribuição do estudo de perfusão por ressonância magnética para o diagnóstico pré-operatório de anaplasia em tumores supratentoriais com aspecto sugestivo de glioma sem impregnação pelo agente paramagnético na ressonância magnética convencional. Tese (Doutorado). Universidade Federal de São Paulo-Escola Paulista de Medicina.
Farahani, S., Hejazi, M., Moradizeyveh, S., Di Ieva, A., Fatemizadeh, E. & Liu, S. (2025). Diagnostic Accuracy of Deep Learning Models in Predicting Glioma Molecular Markers: A Systematic Review and Meta-Analysis. Diagnostics. 15(7):797.
Luo, J., Pan, M., Mo. K., Mao, Y., Zou, D. (2023). Emerging role of artificial intelligence in diagnosis, classification and clinical management of glioma. Semin Cancer Biol. 91:110–23.
Mehmandoost, M., Konjin, F. T., Jajin, E. A., Fahim, F., Yazdani, S. O. (2024). A review on the applications of artificial intelligence and big data for glioblastoma multiforme management. Egyptian Journal of Neurosurgery. 39(1):51.
Ostrom, Q. T., Bauchet, L., Davis, F. G., Deltour, I., Fisher, J. L., Langer, C. E. et al. (2014). The epidemiology of glioma in adults: a “state of the science” review. Neuro Oncol. 16(7):896–913.
Pereira, A. S., Shitsuka, S. M., Parreira, F. J. & Shitsuka, R. (2020). Metodologia da pesquisa científica. Santa Maria. Editora da UFSM.
Risemberg, R. I. C., Wakin, M., & Shitsuka, R. (2026). A importância da metodologia científica no desenvolvimento de artigos científicos. E-Acadêmica, 7(1), e0171675. https://doi.org/10.52076/eacad-v7i1.675.
Shukla, G., Alexander, G. S., Bakas, S., Nikam, R., Talekar, K., Palmer, J. D. et al. (2017). Advanced magnetic resonance imaging in glioblastoma: a review. Chin Clin Oncol. 6(4):40–40.
Snyder H. (2019). Literature review as a research methodology: An overview and guidelines. J Bus Res. 104:333–9.
Sohn, C. K. & Bisdas, S. (2020). Diagnostic Accuracy of Machine Learning-Based Radiomics in Grading Gliomas: Systematic Review and Meta-Analysis. Contrast Media Mol Imaging. 2020:1–12.
Song, H. R., Gonzalez-Gomez, I., Suh, G. S., Commins, D. L., Sposto, R., Gilles, F. H. et al. (2010). Nuclear factor IA is expressed in astrocytomas and is associated with improved survival. Neuro Oncol. 12(2):122–32.
Tomás, A. & Pojo, M. (2025). PIK3CA Mutations: Are They a Relevant Target in Adult Diffuse Gliomas? Int J Mol Sci. 26(11):5276.
van Kempen, E. J., Post, M., Mannil, M., Witkam, R. L., ter Laan, M., Patel, A. et al. (2021). Performance of machine learning algorithms for glioma segmentation of brain MRI: a systematic literature review and meta-analysis. Eur Radiol. 31(12):9638–53.
Wang, J., Chen, Z. & Chen, J. (2023). Diagnostic value of MRI radiomics in differentiating high-grade glioma from low-grade glioma: A meta-analysis. Oncol Lett. 26(4):436.
Xu, J., Meng, Y., Qiu, K., Topatana, W., Li, S., Wei, C. et al. (2022). Applications of Artificial Intelligence Based on Medical Imaging in Glioma: Current State and Future Challenges. Front Oncol. 12:892056. doi: 10.3389/fonc.2022.892056. eCollection 2022.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Aynoã Souza Nascimento Sena, Gabrielle Estevam Fernandes Pereira, Emerson Barbosa da Silva
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
