Marco de patología con IA mejora precisión y fiabilidad del diagnóstico del cáncer
Actualizado el 26 Aug 2026
Garantizar un diagnóstico fiable del cáncer mediante patología digital sigue siendo un desafío crítico, ya que las decisiones clínicas dependen de una interpretación precisa de los portaobjetos. Aunque la inteligencia artificial (IA) ha acelerado la revisión de imágenes de portaobjetos completos, muchos modelos carecen de mecanismos para verificar la fiabilidad de sus resultados en contextos de alto riesgo. Los patólogos también necesitan herramientas capaces de reconocer casos inciertos y apoyar un triaje justificable.
En la Universidad Politécnica de Hong Kong (PolyU), un equipo de investigación ha desarrollado TRUECAM, un marco integrado para el análisis de imágenes de portaobjetos completos en patología. Diseñado para la subtipificación del cáncer de pulmón de células no pequeñas (CPCNP), el marco es independiente del modelo y abarca todo el proceso, desde la introducción del portaobjetos hasta el resultado diagnóstico. Evalúa la confianza de las predicciones, identifica entradas fuera del ámbito de análisis y solicita revisión cuando la incertidumbre es elevada, lo que permite una colaboración estructurada entre los sistemas de IA y los patólogos.
TRUECAM incorpora múltiples mecanismos para garantizar la fiabilidad. Elimina automáticamente regiones ambiguas o poco informativas de las imágenes de portaobjetos completos para preservar el contenido relevante para el diagnóstico. También aplica predicción conformal para mantener las tasas de error diagnóstico dentro de un rango aceptable. Las imágenes de portaobjetos completos (WSI), que digitalizan portaobjetos de vidrio en imágenes de alta resolución para realizar 'microscopía virtual', constituyen el principal contexto de funcionamiento del marco.
En evaluaciones sistemáticas realizadas con múltiples conjuntos de datos de cáncer, el equipo probó TRUECAM tanto con modelos específicos para determinadas tareas como con modelos fundacionales de mayor tamaño. Los experimentos computacionales mostraron que los modelos integrados con TRUECAM superaron sistemáticamente a sus versiones sin el marco en precisión de clasificación, robustez, interpretabilidad, eficiencia de datos y equidad. Aunque se desarrolló para la subtipificación del CPCNP, el enfoque también se aplicó a la subtipificación de cáncer de mama, cerebro y riñón, así como a una tarea de clasificación pancáncer a nivel de portaobjetos con 46 clases, lo que, según el equipo, indica una amplia aplicabilidad.
El estudio se publicó en Nature Biomedical Engineering el 23 de junio de 2026. Según los investigadores, TRUECAM puede integrarse en modelos de IA para patología de diversos tamaños, arquitecturas, propósitos y niveles de complejidad para favorecer un uso diagnóstico responsable en entornos clínicos.
"TRUECAM logra un equilibrio adecuado entre un diagnóstico del cáncer completamente impulsado por IA en patología y uno dirigido exclusivamente por patólogos. Cuando la confianza del modelo en sus resultados diagnósticos es alta, el sistema puede ayudar a gestionar los casos claros, mientras que los casos inciertos se identifican y se remiten a los patólogos para una revisión adicional y juicio clínico. Esta colaboración entre IA y patólogos ayuda a mejorar la eficiencia diagnóstica, reducir la carga de trabajo de los patólogos, aumentar la fiabilidad del diagnóstico y ampliar la capacidad diagnóstica", afirmó el profesor Zhang Xiaoge, profesor asistente del Departamento de Ingeniería Industrial y de Sistemas de la Universidad Politécnica de Hong Kong.
"Aunque el estudio publicado se centra principalmente en imágenes de portaobjetos completos, estamos explorando además otras modalidades, como perfiles moleculares que incluyen secuenciación de ARN e informes diagnósticos, para ampliar el posible alcance del marco. TRUECAM ofrece una solución sistemática para desarrollar IA fiable en patología y refuerza las bases para su implementación en entornos reales", añadió el profesor Zhang.
