Este artículo propone un marco híbrido de aprendizaje automático para predecir la progresión espaciotemporal de tumores cerebrales. Combina un modelo matemático de crecimiento tumoral con un modelo implícito de difusión denoising guiado (DDIM) para sintetizar futuras resonancias magnéticas anatómicamente plausibles a partir de exploraciones previas. Formulado como un sistema de ecuaciones diferenciales ordinarias, el modelo mecánico captura la dinámica temporal del tumor, incluyendo los efectos de la radioterapia, y estima la carga tumoral futura. Estas estimaciones condicionan el DDIM guiado por gradiente, lo que permite la síntesis de imágenes que coincide tanto con el crecimiento previsto como con la anatomía del paciente. El modelo se entrena en el conjunto de datos de glioma adulto y pediátrico BraTS y se evalúa en 60 cortes axiales de un caso de glioma difuso de la línea media (DMG) pediátrico. El marco genera exploraciones de seguimiento realistas basadas en una medida de similitud espacial. Además, introduce un mapa de probabilidad de crecimiento tumoral que captura tanto la extensión como la direccionalidad del crecimiento tumoral clínicamente relevante, representado por la distancia de Hausdorff del percentil 95. Este método permite la generación de imágenes con información biológica en escenarios con datos limitados, proporcionando predicciones espaciotemporales generativas que tienen en cuenta información mecánica previa.
