Modelo de IA detecta cáncer de ovario con precisión sin precedentes
Actualizado el 17 Nov 2025
El diagnóstico precoz del cáncer de ovario sigue siendo uno de los mayores retos en la salud femenina. Las herramientas tradicionales, como el algoritmo ROMA (Risk of Ovarian Malignancy Algorithm), pueden tener dificultades para distinguir entre tumores ováricos benignos y malignos, sobre todo cuando los niveles de biomarcadores se acercan a los umbrales diagnósticos. Un nuevo modelo de inteligencia artificial (IA) ofrece ahora una solución prometedora, ya que proporciona un alto rendimiento diagnóstico y, al mismo tiempo, ofrece información clara e interpretable sobre cómo se realizan las predicciones.
El sistema fue desarrollado por investigadores de la Universidad Inonu (Malatya, Turquía) y la Universidad Recep Tayyip Erdogan (Rize, Turquía), utilizando conjuntos de datos clínicos y de laboratorio de 309 pacientes femeninas, lo que proporciona un entorno de prueba real para mejorar la precisión diagnóstica. El equipo creó cinco modelos de aprendizaje automático de conjunto: Gradient Boosting, CatBoost, XGBoost, LightGBM y Random Forest, utilizando 47 características clínicas, entre ellas la edad, marcadores tumorales (CA125, HE4, CEA, CA19-9, AFP), enzimas hepáticas, hemograma y electrolitos.
La selección de características de Boruta identificó 19 variables con la asociación más fuerte con el riesgo de malignidad. De entre todos los métodos evaluados, el modelo de Gradient Boosting obtuvo los mejores resultados, con una precisión del 88,99 %, un área bajo la curva ROC (AUC-ROC) de 0,934 y un coeficiente de correlación de Matthews (MCC) de 0,782. Este rendimiento superó al del índice ROMA, que alcanzó un AUC de 0,89 en el mismo conjunto de datos. Con una especificidad del 90 %, el modelo detectó el 82 % de los casos malignos, en comparación con el 78 % del índice ROMA.
El sistema incorpora marcos de IA explicables para garantizar la transparencia. Mediante SHAP y LIME, los investigadores pudieron interpretar los resultados del modelo tanto a nivel global como individual de cada paciente. El análisis SHAP identificó HE4, CEA, globulina (GLO), CA125 y la edad como los predictores más influyentes de malignidad, en consonancia con la evidencia oncológica conocida. LIME proporcionó explicaciones específicas para cada paciente, mostrando cómo los valores elevados o normales de los biomarcadores modificaban la predicción hacia categorías malignas o benignas. Estas capas interpretables ayudan a los clínicos a validar el razonamiento del modelo y facilitan su adopción en los protocolos de diagnóstico habituales.
Los hallazgos, publicados en Biology, también demostraron cómo los patrones de error pueden orientar una aplicación clínica más segura. La mayoría de los falsos negativos se produjeron en pacientes con valores de biomarcadores cercanos a los límites o con perfiles atípicos, lo que subraya la necesidad de establecer umbrales cautelosos para evitar pasar por alto cánceres. Si bien el conjunto de datos procedía de un único centro médico, los autores recomiendan una validación multicéntrica más amplia antes de su implementación clínica.
El estudio destaca cómo la IA explicable puede mejorar la detección del cáncer mediante el uso de datos no invasivos y rentables ya disponibles en entornos clínicos. Al fortalecer la evaluación temprana del riesgo, especialmente en entornos con recursos limitados, estas herramientas podrían mejorar los resultados del cáncer de ovario y promover un acceso más equitativo a la atención diagnóstica. Los autores sugieren que los sistemas futuros podrían combinar las predicciones de la IA con datos de imagen y genómicos para refinar aún más la precisión y personalizar las estrategias de tratamiento.
Enlaces relacionados:
Universidad Inonu
Universidad Recep Tayyip Erdogan
