IA médica aprende el método visual de patólogos para detectar cáncer

Una investigación reciente revela que entrenar inteligencia artificial (IA) para replicar la estrategia visual empleada por los patólogos al examinar láminas de tejido puede mejorar significativamente su capacidad para identificar zonas sospechosas. A diferencia de muchos sistemas actuales, que dividen automáticamente una lámina en secciones fijas y las analizan por separado, los especialistas adoptan un enfoque dinámico: primero realizan un barrido general, luego ajustan el nivel de aumento y navegan entre distintas regiones antes de centrarse en áreas que presentan anomalías.

Por qué el método del patólogo es clave

Esta diferencia cobra relevancia porque una lámina histológica contiene miles de millones de píxeles, mientras que las señales microscópicas de cáncer pueden concentrarse en espacios extremadamente reducidos. El profesor asistente de Patología y Medicina de Laboratorio de la Universidad de Pensilvania, Chi Huang, uno de los autores del estudio, comparó este proceso con una operación de búsqueda aérea: el patólogo no comienza inspeccionando una pequeña parcela del terreno, sino que primero observa la escena completa para luego enfocarse en zonas específicas.

Huang y sus colaboradores desarrollaron un protocolo para enseñar a la IA no solo los diagnósticos finales de los médicos, sino también su conducta durante la exploración —es decir, cómo miran, dónde detienen la vista y cuándo repiten el análisis de una región. Para ello, registraron los movimientos oculares y los cambios de aumento utilizados por ocho especialistas mientras revisaban láminas en busca de hallazgos anormales. Luego filtraron los desplazamientos aleatorios y priorizaron los patrones asociados a atención real: pausas prolongadas o múltiples revisiones de una misma zona.

Cómo funciona Pathology-o3

Los investigadores contrastaron estos datos con registros de seguimiento ocular para confirmar que el modelo aprendía efectivamente las áreas en las que los patólogos fijaban su atención. Además, exigieron que el sistema generara explicaciones breves sobre la relevancia de cada región identificada, permitiendo a los médicos aceptar, modificar o rechazar dichas interpretaciones.

Con esta información construyeron «Pathology-o3», un sistema que inicia su análisis con una visión panorámica de baja resolución, selecciona automáticamente las zonas que requieren evaluación más profunda y envía imágenes de alta definición de esas áreas a un modelo de IA especializado para su interpretación detallada.

Rendimiento frente a modelos existentes

El equipo probó «Pathology-o3» en láminas de ganglios linfáticos de pacientes con cáncer colorrectal y lo comparó con el modelo «o3» de OpenAI. En la primera evaluación, «Pathology-o3» identificó correctamente todas las láminas con cáncer, alcanzando una tasa del 100 % en la detección de casos positivos. Sin embargo, clasificó como positivas el 15,5 % de las láminas que, en realidad, eran negativas.

En contraste, el modelo «o3» detectó el 87,5 % de las láminas afectadas, pero etiquetó como positivas el 53,3 % de las muestras sanas. Al someter «Pathology-o3» a un conjunto de datos independiente, su precisión en la identificación de láminas cancerosas fue del 97,6 %, aunque el 37,1 % de sus diagnósticos positivos resultaron ser falsos.

Los autores atribuyen la alta tasa de falsos positivos al diseño mismo del sistema, orientado intencionalmente a priorizar regiones que merecen mayor escrutinio, con el objetivo de minimizar el riesgo de pasar por alto indicios de malignidad.

¿Herramienta auxiliar, no sustituto

Mohammad Asadi, científico de datos de la Universidad de Stanford que no participó en la investigación, señaló que los resultados sugieren que el sistema podría funcionar con láminas procedentes de distintas fuentes, pero advirtió que aún no se ha demostrado que mejore objetivamente la velocidad o la exactitud del trabajo clínico de los patólogos.

La finalidad del estudio no era probar si «Pathology-o3» supera a los especialistas ni si puede diagnosticar cáncer de forma autónoma, sino evaluar si imitar el proceso visual del patólogo incrementa el rendimiento de la IA. Huang destacó que el valor principal radica en aprovechar datos ya disponibles en los hospitales —como los patrones de exploración visual— que hasta ahora no se habían utilizado de forma sistemática para entrenar modelos de inteligencia artificial.

Los investigadores planean próximas pruebas para determinar si el uso combinado del sistema y los patólogos permite detectar más casos de cáncer y acelerar el análisis. Asadi considera que su aplicación más razonable actualmente es como herramienta de cribado inicial, que señale al médico las zonas que requieren revisión adicional. No obstante, subrayó la necesidad de ensayos multicéntricos para medir con rigor su precisión, su velocidad operativa y el volumen de alertas falsas que genera, así como su impacto real en la carga de trabajo del personal médico.

El sistema sigue siendo limitado frente al diagnóstico integral, que puede implicar el análisis simultáneo de múltiples láminas, el uso de técnicas de tinción variadas y la integración del historial clínico del paciente. Huang reiteró que el objetivo no es reemplazar al profesional: «No afirmaré que deba realizar el diagnóstico por sí solo».