{"id":104131,"date":"2026-09-15T01:03:11","date_gmt":"2026-09-15T06:03:11","guid":{"rendered":"https:\/\/einsteresante.com\/?p=104131"},"modified":"2026-09-15T01:03:13","modified_gmt":"2026-09-15T06:03:13","slug":"ia-entrenada-para-pensar-como-patologos-humanos-podria-ser-mejor-para-detectar-cancer","status":"publish","type":"post","link":"https:\/\/einsteresante.com\/index.php\/2026\/09\/15\/ia-entrenada-para-pensar-como-patologos-humanos-podria-ser-mejor-para-detectar-cancer\/","title":{"rendered":"IA entrenada para “pensar” como pat\u00f3logos humanos podr\u00eda ser mejor para detectar c\u00e1ncer"},"content":{"rendered":"\n

Un nuevo estudio sugiere que los algoritmos de inteligencia artificial<\/u><\/a>\u00a0(IA) que buscan el c\u00e1ncer podr\u00edan obtener mejores resultados si abordan el an\u00e1lisis como si fueran un pat\u00f3logo humano. Muchos sistemas de IA analizan regiones preseleccionadas de una muestra de tejido o dividen una l\u00e1mina histol\u00f3gica completa en fragmentos de tama\u00f1o fijo. En cambio, un pat\u00f3logo realiza una b\u00fasqueda m\u00e1s din\u00e1mica, desplaz\u00e1ndose por el tejido, acercando y alejando la imagen y deteni\u00e9ndose en \u00e1reas que generan sospechas. Una l\u00e1mina completa puede contener miles de millones de p\u00edxeles, mientras que la evidencia de\u00a0c\u00e1ncer<\/u><\/a>\u00a0puede ocupar solo un peque\u00f1o fragmento.<\/p>\n\n\n\n

Zhi Huang<\/u><\/a>, coautor del estudio\u00a0y profesor adjunto de patolog\u00eda y medicina de laboratorio en la Universidad de Pensilvania, compar\u00f3 el proceso con el de un helic\u00f3ptero de b\u00fasqueda y rescate. “No se empieza inspeccionando un metro cuadrado de terreno”, explic\u00f3 Huang a Live Science. “Primero se escanea el terreno y luego se realiza una inspecci\u00f3n m\u00e1s detallada”.<\/p>\n\n\n\n

En el nuevo estudio, publicado en julio en la revista\u00a0Nature<\/u><\/a>, Huang y sus colegas demostraron que la IA para la detecci\u00f3n del c\u00e1ncer podr\u00eda funcionar mejor cuando adopta este enfoque humanizado.<\/p>\n\n\n\n

Entrenar a la IA para detectar el c\u00e1ncer<\/h2>\n\n\n\n

Los algoritmos de IA denominados modelos de lenguaje visual (VLM, por sus siglas en ingl\u00e9s) tienen dificultades con el primer paso que describi\u00f3 Huang: ese escaneo inicial y superficial. Esto se debe, en parte, a que muchos sistemas de IA para patolog\u00eda aprenden de lo que los pat\u00f3logos dejan al final de esa b\u00fasqueda: una imagen etiquetada que se\u00f1ala d\u00f3nde se encuentra el c\u00e1ncer o un diagn\u00f3stico oficial.<\/p>\n\n\n\n

En cambio, los investigadores entrenaron su nueva IA bas\u00e1ndose en el comportamiento de b\u00fasqueda de los pat\u00f3logos. A este m\u00e9todo de entrenamiento lo denominaron “Pathology-CoT”, abreviatura de “cadena de pensamiento”. Convierte las acciones observables, como los movimientos y el zoom de los pat\u00f3logos en una imagen, en datos de entrenamiento.<\/p>\n\n\n\n

Para recopilar los datos, el equipo cre\u00f3 una herramienta que registraba c\u00f3mo los pat\u00f3logos se mov\u00edan por una muestra y cambiaban el aumento. Los registros brutos, recopilados de ocho pat\u00f3logos, eran desordenados, ya que cada pat\u00f3logo pod\u00eda desplazarse por la muestra, sobrepasar la zona de enfoque prevista o ajustar el aumento a su gusto.<\/p>\n\n\n\n

Para depurar los datos, los investigadores filtraron los movimientos fortuitos y se centraron en los momentos que parec\u00edan representar una atenci\u00f3n deliberada, como detenerse en una imagen o realizar un paneo prolongado. Luego, compararon esas regiones con los datos de seguimiento ocular para comprobar que el software registraba correctamente hacia d\u00f3nde miraban los pat\u00f3logos.<\/p>\n\n\n\n

Para cada regi\u00f3n que un pat\u00f3logo inspeccionaba, el VLM tambi\u00e9n generaba una breve justificaci\u00f3n que explicaba por qu\u00e9 val\u00eda la pena examinarla y qu\u00e9 caracter\u00edsticas eran visibles; los pat\u00f3logos humanos pod\u00edan entonces aceptar, editar o rechazar la justificaci\u00f3n, creando as\u00ed datos de entrenamiento adicionales para la IA. En un ejemplo, la IA marc\u00f3 una parte de una muestra como potencialmente metast\u00e1sica y sugiri\u00f3 ampliarla para buscar c\u00e9lulas at\u00edpicas. Otras regiones inspeccionadas se marcaron como tejido sano.<\/p>\n\n\n\n

En definitiva, los investigadores utilizaron este m\u00e9todo de entrenamiento para crear una nueva herramienta llamada Pathology-o3. Esta herramienta escanea una muestra a baja resoluci\u00f3n, utiliza un modelo entrenado con el comportamiento de los pat\u00f3logos para seleccionar las regiones que merecen un an\u00e1lisis m\u00e1s detallado y, a continuaci\u00f3n, env\u00eda im\u00e1genes de mayor resoluci\u00f3n de esas regiones a un VLM para su an\u00e1lisis.<\/p>\n\n\n\n

\"\"
Pathology-CoT entrena algoritmos para escanear una l\u00e1mina completa y luego volver a las regiones de inter\u00e9s para un examen m\u00e1s detallado. Cr\u00e9dito de la imagen: Universal Images Group a trav\u00e9s de Getty Images.<\/figcaption><\/figure>\n\n\n\n

Poni\u00e9ndolo a prueba<\/h2>\n\n\n\n

Huang explic\u00f3 que el objetivo del nuevo estudio no era demostrar que Pathology-o3 funcionaba mejor que los modelos de IA especializados, dise\u00f1ados espec\u00edficamente para detectar tipos concretos de c\u00e1ncer; estos modelos suelen entrenarse para cada enfermedad individualmente. M\u00e1s bien, los investigadores quer\u00edan comprobar si su nuevo m\u00e9todo de entrenamiento pod\u00eda ayudar a una IA de prop\u00f3sito general a analizar una muestra patol\u00f3gica con mayor eficacia.<\/p>\n\n\n\n

Compararon Pathology-o3 con otros sistemas de IA de uso general, como o3 de OpenAI, y les pidieron a los algoritmos que examinaran portaobjetos que conten\u00edan tejido de ganglios linf\u00e1ticos. Estos portaobjetos se obtuvieron de casos de c\u00e1ncer colorrectal y algunos conten\u00edan met\u00e1stasis, que pat\u00f3logos humanos ya hab\u00edan identificado.<\/p>\n\n\n\n

El algoritmo identific\u00f3 correctamente las muestras positivas para c\u00e1ncer en el 100% de los casos. Sin embargo, de las muestras identificadas como positivas, el 15,5% resultaron ser negativas. En comparaci\u00f3n, OpenAI o3 identific\u00f3 correctamente las muestras positivas para c\u00e1ncer en el 87,5% de los casos. De las muestras identificadas como positivas, el 53,3% resultaron ser negativas.<\/p>\n\n\n\n

Los investigadores dise\u00f1aron Pathology-o3 para que, en lugar de pasar por alto un posible caso de c\u00e1ncer, se\u00f1alara algo que requiriera una revisi\u00f3n adicional. Esto podr\u00eda ayudar a explicar la tasa de falsos positivos, dijo Huang.<\/p>\n\n\n\n

La aceptabilidad de esa tasa de falsas alarmas depende del uso que se le d\u00e9 a Pathology-o3, explic\u00f3\u00a0Mohammad Asadi<\/u><\/a>, cient\u00edfico de datos de la Universidad de Stanford que no particip\u00f3 en la investigaci\u00f3n. No es lo suficientemente preciso como para que la IA diagnostique a los pacientes por s\u00ed sola, pero podr\u00eda ser \u00fatil para que un sistema oriente a un humano hacia regiones de una muestra que merecen una doble revisi\u00f3n. Podr\u00eda ser ventajoso que el m\u00e9todo muestre al pat\u00f3logo una regi\u00f3n espec\u00edfica para inspeccionar en lugar de declarar sospechosa toda la muestra, a\u00f1adi\u00f3.<\/p>\n\n\n\n

Los investigadores repitieron la prueba con un conjunto de datos independiente que los algoritmos no hab\u00edan visto antes para comprobar su eficacia con muestras desconocidas. Pathology-o3 identific\u00f3 correctamente las muestras positivas para c\u00e1ncer el 97,6% de las veces. De las muestras identificadas como positivas, el 37,1% resultaron ser negativas. Este hallazgo demuestra c\u00f3mo el rendimiento de la IA puede variar al cambiar la fuente de datos, incluso cuando la tarea m\u00e9dica se mantiene.<\/p>\n\n\n\n

Asadi explic\u00f3 que este resultado sugiere que el sistema a\u00fan puede funcionar con portaobjetos de otra fuente. Sin embargo, este resultado a\u00fan no demuestra que el uso de esta herramienta haga que los pat\u00f3logos sean m\u00e1s precisos o eficientes en la pr\u00e1ctica.<\/a><\/p>\n\n\n\n

\u00bfPuede ser \u00fatil para los pat\u00f3logos?<\/h2>\n\n\n\n

Los investigadores aplicaron su m\u00e9todo de entrenamiento a varios modelos de lenguaje de video (VLM) existentes y observaron que el rendimiento de los modelos mejoraba de forma consistente tras el entrenamiento. Esto sugiere que los datos de navegaci\u00f3n proporcionados por los pat\u00f3logos resultaron \u00fatiles en diversos contextos, afirm\u00f3 Asadi.<\/p>\n\n\n\n

Para Huang, ese es el resultado m\u00e1s importante. “La conclusi\u00f3n no es nuestro sistema”, dijo. “Es que el ingrediente que faltaba ha estado en los hospitales todo este tiempo”.<\/p>\n\n\n\n

El estudio no compar\u00f3 directamente Pathology-o3 con pat\u00f3logos humanos, pero los investigadores dijeron que ese no era su objetivo.<\/p>\n\n\n\n

“La pregunta clave no es si supera a un pat\u00f3logo”, dijo Huang. “La pregunta es si un pat\u00f3logo que trabaja con \u00e9l detecta m\u00e1s casos de c\u00e1ncer y trabaja m\u00e1s r\u00e1pido”. El estudio actual tampoco abord\u00f3 esta \u00faltima cuesti\u00f3n, pero el pr\u00f3ximo experimento del equipo est\u00e1 dise\u00f1ado para evaluar a pat\u00f3logos en los mismos casos con y sin Pathology-o3, midiendo qu\u00e9 detectan y cu\u00e1nto tiempo les lleva.<\/p>\n\n\n\n

Seg\u00fan Asadi, el uso m\u00e1s plausible del sistema es como herramienta de preselecci\u00f3n, pero recalc\u00f3 que la investigaci\u00f3n a\u00fan no ha demostrado que los m\u00e9dicos que lo utilizan sean m\u00e1s r\u00e1pidos o precisos. Asadi propone una prueba a\u00fan m\u00e1s rigurosa: ensayos realizados en varios hospitales que midan no solo la precisi\u00f3n y la velocidad, sino tambi\u00e9n la carga de trabajo de los pat\u00f3logos. Su objetivo es evaluar la cantidad de falsas alarmas generadas por los algoritmos de IA y si los m\u00e9dicos reconocen cu\u00e1ndo la IA se equivoca.<\/p>\n\n\n\n

Es importante destacar que el diagn\u00f3stico de c\u00e1ncer puede requerir informaci\u00f3n de m\u00faltiples muestras, tinciones y el historial m\u00e9dico del paciente, mientras que el sistema actual solo analiza una muestra a la vez. “No pretendo que pueda diagnosticar por s\u00ed solo”, afirm\u00f3 Huang.<\/p>\n\n\n\n

Fuente: Live Science<\/a>.<\/p>\n","protected":false},"excerpt":{"rendered":"

Un nuevo estudio sugiere que los algoritmos de inteligencia artificial\u00a0(IA) que buscan el c\u00e1ncer podr\u00edan obtener mejores resultados si abordan el an\u00e1lisis como si fueran un pat\u00f3logo humano. Muchos sistemas de IA analizan regiones preseleccionadas de una muestra de tejido o dividen una l\u00e1mina histol\u00f3gica completa en fragmentos de tama\u00f1o fijo. En cambio, un pat\u00f3logo […]<\/p>\n","protected":false},"author":1,"featured_media":104135,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-104131","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-uncategorized"],"_links":{"self":[{"href":"https:\/\/einsteresante.com\/index.php\/wp-json\/wp\/v2\/posts\/104131","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/einsteresante.com\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/einsteresante.com\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/einsteresante.com\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/einsteresante.com\/index.php\/wp-json\/wp\/v2\/comments?post=104131"}],"version-history":[{"count":3,"href":"https:\/\/einsteresante.com\/index.php\/wp-json\/wp\/v2\/posts\/104131\/revisions"}],"predecessor-version":[{"id":104136,"href":"https:\/\/einsteresante.com\/index.php\/wp-json\/wp\/v2\/posts\/104131\/revisions\/104136"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/einsteresante.com\/index.php\/wp-json\/wp\/v2\/media\/104135"}],"wp:attachment":[{"href":"https:\/\/einsteresante.com\/index.php\/wp-json\/wp\/v2\/media?parent=104131"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/einsteresante.com\/index.php\/wp-json\/wp\/v2\/categories?post=104131"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/einsteresante.com\/index.php\/wp-json\/wp\/v2\/tags?post=104131"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}