Este estudio aborda los desafíos en el pronóstico asistido por computadora para el glioblastoma multiforme, un cáncer cerebral altamente agresivo, utilizando solo imágenes de diapositivas completas (WSIs) como entrada. A diferencia de los métodos tradicionales que dependen de la selección aleatoria o la extracción de regiones de interés (ROI) para elegir subconjuntos significativos de parches que representan la diapositiva completa, proponemos un enfoque de agrupamiento de múltiples instancias. Este método utiliza todos los parches extraídos de la diapositiva completa, empleando diferentes subconjuntos en cada época de entrenamiento, aprovechando así la información de toda la diapositiva mientras mantiene el entrenamiento computacionalmente viable. Además, desarrollamos un marco de dos etapas basado en el modelo ResNet-CBAM que estima no solo el riesgo de supervivencia habitual, sino que también predice el tiempo de supervivencia real. Utilizando las puntuaciones de riesgo de los parches estimadas en la etapa de estimación de riesgo, se puede construir un histograma de riesgo y utilizarlo como entrada para entrenar un modelo de predicción del tiempo de supervivencia. También se desarrolló una pérdida de bisagra de censura basada en el error cuadrático medio para manejar datos censurados al entrenar el modelo de regresión. Las pruebas utilizando la base de datos pública de glioblastoma del Programa del Atlas del Genoma del Cáncer arrojaron un índice de concordancia del 73.16+/-2.15%, superando los modelos existentes. Las pruebas de log-rank en grupos de alto y bajo riesgo predichos utilizando el método de Kaplan-Meier revelaron un valor p de 3.88x10-9, muy por debajo del umbral habitual de 0.005, lo que indica la capacidad del modelo para diferenciar significativamente entre los dos grupos. También implementamos un método de visualización de mapas de calor que proporciona evaluaciones de riesgo interpretables a nivel de parche, lo que podría ayudar a los clínicos a identificar regiones de alto riesgo dentro de las WSIs. Notablemente, estos resultados se lograron utilizando un 98% menos de parámetros en comparación con los modelos de última generación.