Nuevo enfoque de entrenamiento ayuda a la IA a distinguir células vecinas en el tejido
Actualizado el 18 Nov 2026
La inteligencia artificial (IA) puede ayudar a identificar células en imágenes de patología digital, pero el tejido densamente compacto sigue siendo difícil de analizar. Las células vecinas pueden fusionarse, contarse dos veces o pasarse por alto, lo que afecta los conteos celulares automatizados y las mediciones espaciales. El recuento manual también puede llevar mucho tiempo y estar sujeto a variaciones entre observadores.
Ahora, los investigadores describen una estrategia de entrenamiento que mejora la detección de células por parte de la IA al enseñar a los modelos a considerar la disposición celular dentro del tejido.

La Universidad Koç (Estambul, Turquía) ha desarrollado la minería de ejemplos difíciles guiada por topología (TG-HEM), un método diseñado para mejorar la detección de células en imágenes de patología. El enfoque entrena a los modelos de IA para que se centren en las regiones de la imagen en las que las predicciones no captan la organización espacial de las células.
En lugar de basarse solo en errores a nivel de píxel, TG-HEM incorpora información sobre las distribuciones celulares circundantes. La estrategia modifica el entrenamiento del modelo sin requerir una red más grande o más compleja.
Durante el entrenamiento, TG-HEM compara las distribuciones celulares predichas con las distribuciones de referencia anotadas en regiones de imagen muestreadas. Utiliza el análisis topológico de datos para cuantificar las diferencias en la estructura y la organización de estas distribuciones. Las regiones con mayores discrepancias estructurales reciben un mayor peso durante el aprendizaje, mientras que también se enfatizan los píxeles difíciles dentro de esas regiones.
Los investigadores evaluaron TG-HEM en ocho modelos de IA utilizando el conjunto de datos KUCell y el conjunto de datos de cáncer de mama BRCA-M2C, disponible públicamente. TG-HEM mejoró el conteo y la localización de células en comparación con los modelos de referencia y los enfoques existentes de minería de ejemplos difíciles.
Estos avances se lograron sin carga computacional adicional cuando los modelos entrenados analizaron nuevas imágenes, y con solo un efecto insignificante en el tiempo de entrenamiento.
El estudio se publicó en Medical Image Analysis. La investigación involucró al Departamento de Ingeniería Informática y al Centro de IA KUIS de la Universidad Koç, con colaboradores en matemáticas y patología. El equipo también puso a disposición el conjunto de datos KUCell y el código de implementación para apoyar una mayor evaluación y desarrollo del enfoque.
Una detección más precisa de células podría fortalecer las mediciones automatizadas utilizadas en patología digital y respaldar una evaluación del tejido más consistente. El estudio demostró mejoras en la detección de células en conjuntos de datos de investigación. Los experimentos no establecieron una mejora en la precisión diagnóstica ni en los resultados de los pacientes.
Enlaces relacionados
Universidad Koç







