Espectromica Raman sin marcadores impulsada por IA para la evaluación intraoperatoria de tumores espinales

Respuestas más rápidas durante la cirugía de columna

Cuando se detecta un tumor en la columna vertebral, los cirujanos a menudo deben decidir en cuestión de minutos cuán agresiva debe ser la intervención y cuál debe ser el siguiente tratamiento. Hoy, esas decisiones siguen dependiendo de pruebas de laboratorio que pueden tardar media hora en el mejor de los casos y días en el peor. Este estudio presenta una nueva forma de leer pequeñas muestras de tumores espinales casi en tiempo real mediante la combinación de microscopía láser e inteligencia artificial, con el objetivo de ofrecer a los cirujanos respuestas más claras mientras el paciente todavía está en la mesa de operaciones.

Por qué es tan difícil obtener un diagnóstico rápido

Los tumores espinales aparecen en varias formas comunes, incluidos los crecimientos de la membrana que rodea el cerebro y la médula espinal (meningiomas), los tumores de la vaina nerviosa (schwannomas), los tumores de las células que recubren el canal espinal (ependimomas) y las metástasis procedentes de cánceres en otras partes del cuerpo. Pruebas de imagen como la resonancia magnética pueden sugerir el tipo de tumor presente, pero las apariencias a menudo se solapan y algunos pacientes no pueden someterse a una resonancia con seguridad. Durante la cirugía, la superficie del tumor rara vez cuenta toda la historia. El estándar actual es enviar rápidamente un fragmento de tejido al laboratorio de patología, congelarlo y cortarlo, teñirlo con reactivos y que un especialista lo examine al microscopio. Este proceso de corte congelado requiere mucho trabajo, solo está disponible en horario laboral y sigue clasificando erróneamente una fracción notable de tumores espinales.

Un nuevo tipo de microscopio digital

Los investigadores se basaron en un método de imagen emergente llamado histología Raman estimulada. En lugar de añadir colorantes, esta técnica ilumina con luz láser cuidadosamente ajustada tejido fresco y sin procesar y registra cómo vibran las moléculas de la muestra en respuesta. Esas señales se convierten en imágenes de alta resolución que se parecen a las diapositivas rosa y púrpura familiares para los patólogos, pero aparecen en minutos y no requieren corte ni tinción. Dado que el mismo tipo de escáner portátil ya se estaba usando en varios hospitales para cirugía cerebral, el equipo pudo recopilar imágenes de tumores espinales de múltiples centros en Europa y Estados Unidos y probar un nuevo sistema de análisis en condiciones similares a las de los quirófanos reales.

Enseñar a una IA a reconocer tumores de columna

Sobre estas imágenes generadas por láser, los autores desarrollaron una plataforma de inteligencia artificial que llaman SpineXtract. En lugar de entrenar un programa simple de reconocimiento de patrones, primero expusieron una red neuronal profunda a un conjunto grande y variado de imágenes de cerebro y columna para que pudiera aprender por sí misma características visuales generales de este tipo de tejido. A continuación añadieron un módulo de decisión basado en transformadores—una arquitectura originalmente diseñada para el procesamiento del lenguaje—que aprende a centrarse en las partes más informativas de cada pequeño parche de imagen. El sistema completo escanea una diapositiva entera, la divide en cientos de parches, asigna a cada uno una probabilidad de pertenecer a uno de los cuatro tipos principales de tumores espinales y luego recombina esas probabilidades en un diagnóstico global y en un mapa de calor codificado por colores que resalta las regiones más diagnósticas para cirujanos y patólogos.

Qué tan bien funcionó el sistema

El equipo probó SpineXtract en 142 imágenes de diapositivas procedentes de 44 pacientes tratados en tres hospitales importantes. Para cada paciente, compararon la respuesta de la IA con el diagnóstico final realizado días después mediante pruebas de laboratorio convencionales. En los cuatro tipos de tumor, el sistema los distinguió correctamente con aproximadamente un 93 por ciento de precisión balanceada, lo que significa que tanto los verdaderos positivos como los verdaderos negativos fueron altos. Fue especialmente fiable para meningiomas y schwannomas, acercándose a un rendimiento casi perfecto, y algo menos seguro—pero aún claramente útil—para ependimomas, que son conocidos por su mayor variabilidad en la apariencia. De forma crucial, los resultados fueron consistentes entre las tres instituciones y entre grupos de edad y sexo, lo que sugiere que el modelo manejó las diferencias en la mezcla de pacientes y en las condiciones de imagen. Incluso cuando los investigadores limitaron el sistema a una sola imagen por paciente, la precisión se mantuvo alta, y todo el procesamiento desde la toma de la muestra hasta la salida de la IA se completó típicamente en menos de cinco minutos.

Por qué esto podría cambiar la cirugía de columna

Para ver si bastaría con una IA general para tumores cerebrales, los autores también pusieron a prueba un clasificador existente entrenado con tumores intracraneales. El rendimiento de ese modelo cayó notablemente en los casos espinales, especialmente para ependimomas y metástasis, lo que subraya la necesidad de una herramienta específica del sitio. SpineXtract no solo superó a ese sistema anterior por más de 15 puntos porcentuales en precisión balanceada, sino que también ofreció puntuaciones de confianza calibradas y mapas visuales que señalan casos inciertos y sugieren cuándo se necesita más tejido o una revisión experta. En términos prácticos, el trabajo muestra que emparejar la imagen óptica sin marcadores con una IA cuidadosamente diseñada puede aportar conocimientos rápidos y precisos durante la cirugía espinal, reduciendo potencialmente retrasos, mejorando las decisiones quirúrgicas y sentando las bases para herramientas similares en otras partes del sistema nervioso.

Cita: Reinecke, D., Müller, N., Meissner, AK. et al. AI-driven label-free Raman spectromics for intraoperative spinal tumor assessment. npj Digit. Med. 9, 227 (2026). https://doi.org/10.1038/s41746-025-02279-6

Palabras clave: tumores espinales, diagnóstico intraoperatorio, histología Raman estimulada, inteligencia artificial en cirugía, patología digital