⏱️ Lectura: 9 min
Un cirujano vio en una pantalla, en pleno quirófano, dónde terminaba exactamente un tumor cerebral y dónde empezaba tejido sano, gracias a un sistema de inteligencia artificial que analizó las imágenes mientras operaba. Así lo reportó People en agosto de 2026, calificando la herramienta de \”Groundbreaking Technology\”.
📑 En este artículo
La noticia puntual tiene poco detalle técnico público, pero la categoría de tecnología detrás es real y lleva más de una década madurando: cirugía guiada por IA sobre neuronavegación e imagen intraoperatoria. Esta nota explica qué problema resuelve exactamente ese tipo de sistema y qué herramientas abiertas existen hoy para experimentar con segmentación de tumores cerebrales.
TL;DR
- People reportó en agosto de 2026 que cirujanos usaron IA para guiar en tiempo real la extirpación de un tumor cerebral.
- La tecnología analiza imágenes intraoperatorias para marcar el límite entre tejido tumoral y sano durante la operación.
- Empresas como Medtronic y Brainlab ya venden sistemas de neuronavegación que incorporan segmentación asistida por IA.
- Frameworks abiertos como MONAI y nnU-Net permiten entrenar y correr estos modelos de segmentación sin depender de un proveedor cerrado.
- El reto técnico central es el ‘brain shift’: el cerebro se deforma al abrir el cráneo y desactualiza las imágenes previas a la cirugía.
- Estos sistemas se regulan como software médico (SaMD) y requieren validación clínica antes de usarse en pacientes reales.
- El dataset abierto BraTS es el banco de pruebas estándar de la comunidad para evaluar modelos de segmentación de tumores cerebrales.
Qué pasó
Según la cobertura de People, un equipo médico usó un sistema de inteligencia artificial para delimitar un tumor cerebral mientras la cirugía estaba en curso, en lugar de depender únicamente de la imagen tomada antes de abrir el cráneo. El artículo original no detalla el hospital, el modelo de IA ni el tipo de tumor, algo habitual en cobertura de divulgación general sobre tecnología médica.
Lo que sí se puede explicar con precisión es la categoría de tecnología que hace posible ese tipo de asistencia: sistemas de neuronavegación combinados con segmentación automática de imagen médica. No es un concepto nuevo, pero la parte de segmentación por IA en tiempo real sí es relativamente reciente en la práctica clínica cotidiana.
Contexto e historia
La neuronavegación como disciplina nació en los años noventa: consiste en registrar una resonancia magnética previa a la cirugía y proyectarla sobre la posición real del instrumental quirúrgico, como un GPS del cerebro. El problema de siempre fue que esa imagen previa queda desactualizada apenas el cirujano abre el cráneo: el líquido cefalorraquídeo drena, el tejido se hunde y el cerebro se deforma unos milímetros, un fenómeno que la literatura médica llama brain shift.
Para corregir ese desfase surgió la resonancia magnética intraoperatoria (iMRI): un resonador dentro o cerca del quirófano que vuelve a escanear al paciente a mitad de cirugía. Es preciso, pero caro y lento: cada nueva imagen puede tomar minutos que el equipo quirúrgico pasa esperando. La segmentación automática con IA ataca ese cuello de botella, procesa la nueva imagen y marca el borde tumoral en segundos en lugar de que un radiólogo lo dibuje a mano.
Detalles técnicos y rendimiento
Cómo funciona el pipeline
El flujo típico de un sistema de este tipo tiene cuatro pasos: adquisición de la imagen intraoperatoria (RM o ecografía), preprocesamiento y normalización, inferencia de un modelo de segmentación entrenado para distinguir tejido tumoral de tejido sano, y superposición del resultado sobre la vista del cirujano.
flowchart TD
A["Imagen intraoperatoria (RM o ecografia)"] --> B["Preprocesamiento y normalizacion"]
B --> C["Modelo de segmentacion (IA)"]
C --> D["Mascara de tejido tumoral"]
D --> E["Superposicion en pantalla del cirujano"]
E --> F["Decision clinica en vivo"]Las dos librerías open source de referencia en investigación de segmentación médica son MONAI, un framework sobre PyTorch mantenido con NVIDIA y King’s College London, y nnU-Net, del German Cancer Research Center (DKFZ), que automatiza la configuración de la red según el dataset. Ninguno de los dos es, por sí solo, un producto clínico aprobado: son la base sobre la que se construyen productos como los de Medtronic o Brainlab.
💡 Tip: Si querés experimentar con segmentación médica sin acceso a datos clínicos reales, el dataset abierto BraTS (Brain Tumor Segmentation) es el banco de pruebas estándar que usa la comunidad para entrenar y evaluar estos modelos.
Comparación de enfoques
| Método | Cuándo se usa | Ventaja | Limitación |
|---|---|---|---|
| Neuronavegación óptica pasiva | Cirugías donde el tejido se desplaza poco | Bajo costo, no requiere modelos de IA | Pierde precisión con el brain shift |
| Resonancia intraoperatoria (iMRI) | Tumores de bordes difusos, como gliomas infiltrantes | Imagen actualizada dentro del propio quirófano | Requiere un resonador en quirófano, alto costo de instalación |
| Segmentación automática con IA | Cuando hace falta marcar el borde tumoral en segundos | Reduce el tiempo de interpretación durante la cirugía | Exige validación clínica y no reemplaza el criterio del cirujano |
Cómo empezar a probarlo
Para ver el tipo de modelo que hay detrás de estos sistemas sin necesitar datos clínicos reales, se puede instalar MONAI y correr una inferencia mínima:
pip install monai nibabel
python -c "import monai; print(monai.__version__)"Ese comando instala el framework y confirma la versión activa. Para un caso más realista, nnU-Net permite correr inferencia sobre un volumen de imagen ya preprocesado:
nnUNetv2_predict \
-i /datos/paciente_001/imagenes \
-o /datos/paciente_001/segmentacion \
-d 001 -c 3d_fullres -f 0Ese comando toma las imágenes de la carpeta de entrada y guarda la máscara de segmentación resultante en la carpeta de salida. Para confirmar que el modelo generó una máscara real y no un archivo vacío, se puede leer sus dimensiones directamente:
python -c "import nibabel as nib; print(nib.load('segmentacion/paciente_001.nii.gz').shape)"Si el resultado devuelve las mismas dimensiones que la imagen de entrada, la inferencia corrió correctamente sobre todo el volumen.
⚠️ Ojo: Ningún sistema de segmentación automática reemplaza el criterio del cirujano ni sustituye la validación clínica que exigen reguladores como la FDA antes de usarse en pacientes reales.
Impacto y análisis
El valor real de la cirugía guiada por IA no está en reemplazar al cirujano, sino en comprimir el tiempo entre \”tomar una nueva imagen\” y \”saber dónde está el borde del tumor\”. Ese tiempo, en una cirugía de horas con el paciente bajo anestesia, tiene un costo clínico directo.
El límite honesto de esta tecnología es la validación: un modelo de segmentación puede fallar de formas que un radiólogo experimentado detecta y un sistema automático no, sobre todo en tumores con bordes muy infiltrados en tejido sano. Por eso estos sistemas se clasifican como software médico (SaMD) y pasan por procesos regulatorios antes de llegar al quirófano, no se despliegan como una app cualquiera.
Qué sigue
La tendencia visible en la industria es que los frameworks abiertos como MONAI y nnU-Net van cerrando la brecha entre investigación académica y producto clínico: cada vez más papers publican pesos y código junto al resultado, lo que acelera que un hallazgo de un laboratorio llegue a un producto de un fabricante como Medtronic o Brainlab en menos ciclos que antes.
📖 Resumen en Telegram: Ver resumen
Probalo vos: instalá MONAI con pip install monai y corré el dataset de ejemplo de su repositorio en GitHub para ver un pipeline de segmentación médica funcionando en tu máquina hoy mismo.
Preguntas frecuentes
¿Qué hace exactamente la IA durante la cirugía?
Procesa la imagen intraoperatoria y genera una máscara que marca qué píxeles o vóxeles corresponden a tejido tumoral, para superponerla en la pantalla que usa el cirujano.
¿Qué es el brain shift?
Es la deformación física que sufre el cerebro al abrir el cráneo y drenar líquido cefalorraquídeo, lo que desactualiza la resonancia tomada antes de la cirugía.
¿Qué son MONAI y nnU-Net?
Son dos frameworks open source para imagen médica con IA. MONAI está construido sobre PyTorch, y nnU-Net automatiza la configuración de la red neuronal según el dataset que se le entrega.
¿Estos sistemas ya están aprobados para uso clínico general?
Los productos comerciales de fabricantes como Medtronic o Brainlab pasan por procesos regulatorios como software médico (SaMD); los frameworks abiertos como MONAI y nnU-Net son herramientas de investigación, no productos clínicos aprobados por sí solos.
¿Puede alguien sin formación médica experimentar con esta tecnología?
Sí, usando datasets públicos como BraTS y frameworks como MONAI o nnU-Net es posible entrenar y correr modelos de segmentación de tumores cerebrales sin acceso a datos clínicos reales.
Referencias
- People / MSN: reporte original sobre el uso de IA para guiar la extirpación de un tumor cerebral en tiempo real.
- MONAI: framework open source sobre PyTorch para imagen médica con IA.
- nnU-Net (GitHub): framework de segmentación biomédica del German Cancer Research Center.
- Wikipedia: Neuronavigation: historia y fundamentos de la cirugía guiada por imagen.
- Medtronic: fabricante de sistemas de neuronavegación usados en cirugía guiada por imagen.
📱 ¿Te gusta este contenido? Únete a nuestro canal de Telegram @programacion donde publicamos a diario lo más relevante de tecnología, IA y desarrollo. Resúmenes rápidos, contenido fresco todos los días.
Imagen destacada: Foto de Navy Medicine en Unsplash
0 Comentarios