La inteligencia artificial diferencia la mielofibrosis primaria prefibrótica con trombocitosis de la trombocitemia esencial usando imágenes digitalizadas de biopsias de médula ósea

Por qué esto importa para las personas con trastornos sanguíneos

Los médicos a menudo tienen dificultades para distinguir dos afecciones sanguíneas que se parecen mucho pero que conllevan riesgos a largo plazo muy distintos. Este estudio muestra cómo la inteligencia artificial puede leer imágenes de médula ósea en pantalla para separar estas enfermedades con mayor precisión e incluso señala características tisulares sutiles que los humanos pueden estar pasando por alto. Para los pacientes, eso podría significar en el futuro un diagnóstico más certero, información de riesgo más clara y un tratamiento más personalizado.

Dos enfermedades parecidas con futuros muy distintos

La trombocitemia esencial y la mielofibrosis primaria prefibrótica son ambas enfermedades raras de la médula ósea que provocan un exceso de plaquetas, las células sanguíneas que ayudan a la coagulación. Al microscopio, las muestras de médula ósea pueden parecer bastante similares, por lo que incluso los patólogos expertos a veces discrepan sobre el diagnóstico. La distinción es importante porque las personas con la forma prefibrótica tienen más probabilidades de desarrollar fibrosis severa de la médula, leucemia y complicaciones potencialmente mortales que quienes tienen trombocitemia esencial. Las guías actuales dependen de que los expertos juzguen visualmente la morfología celular y la fibrosis sutil, un proceso tanto subjetivo como que consume tiempo.

Enseñar a un ordenador a leer preparaciones de médula ósea

Los investigadores construyeron un sistema de inteligencia artificial en dos partes que trabaja directamente con imágenes de biopsias de médula ósea teñidas de rutina. Primero, usaron un potente modelo preentrenado, expuesto originalmente a decenas de miles de láminas oncológicas, para extraer patrones visuales detallados de cada pequeña región de la biopsia. Luego aplicaron un método de “atención” que permite al algoritmo asignar mayor importancia a las regiones que apoyan con más fuerza un diagnóstico u otro. Entrenado con 200 pacientes italianos cuyos diagnósticos se confirmaron cuidadosamente, y luego probado en un grupo independiente de un centro oncológico de EE. UU., el sistema distinguió las dos enfermedades con alta precisión. Separó correctamente la mielofibrosis primaria prefibrótica de la trombocitemia esencial en más de nueve de cada diez pacientes del grupo de validación, con una capacidad particularmente fuerte para evitar etiquetar erróneamente a alguien con la enfermedad de mayor riesgo.

Usar imágenes sintéticas para ver lo que la IA percibe

Para entender qué señales visuales estaba usando el modelo, el equipo añadió un componente generativo que puede crear parches de médula ósea con apariencia realista típicos de cada enfermedad. Seleccionaron tanto mosaicos de imagen reales como generados por ordenador que el clasificador manejaba con confianza y pidieron a tres hematopatólogos expertos, trabajando a ciegas, que los etiquetaran. Para las imágenes reales, los expertos humanos coincidieron con el diagnóstico de la IA la mayor parte del tiempo cuando estaban dispuestos a dar una respuesta. Pero para muchas imágenes sintéticas, especialmente aquellas que imitaban la trombocitemia esencial, los patólogos a menudo discrepaban con el algoritmo o sentían que no podían elegir un diagnóstico con seguridad, aunque la IA clasificó correctamente esos mosaicos según los datos conocidos del paciente.

Un papel sorprendente de la grasa frente a las células en la médula

El contraste entre humano y máquina llevó a un examen más detallado de la composición tisular en imágenes reales y generadas. Usando otra herramienta de análisis de imágenes, los investigadores midieron qué proporción de cada mosaico estaba ocupada por espacios grasos frente a células formadoras de sangre. En todos los casos, las muestras asociadas a trombocitemia esencial contenían más grasa, mientras que las vinculadas a la mielofibrosis primaria prefibrótica estaban más densamente pobladas de células. Este patrón apareció tanto en imágenes de pacientes reales como en imágenes generadas por ordenador, y se exageró aún más en las láminas sintéticas de trombocitemia esencial. Los mapas de calor de la “atención” del modelo también mostraron que el algoritmo se centraba de forma natural en las zonas activas formadoras de sangre más que en el hueso o artefactos, lo que sugiere que había aprendido señales biológicamente significativas en lugar de atajos.

Qué podría significar esto para el diagnóstico y el tratamiento

En términos prácticos, el estudio sugiere que un sistema de IA cuidadosamente entrenado puede ayudar a los patólogos a separar estas dos enfermedades medulares similares usando láminas de microscopio estándar, y puede descubrir características tisulares útiles, como el equilibrio entre grasa y células, que no forman parte de las listas de verificación actuales. Los autores enfatizan que su herramienta no pretende reemplazar la revisión experta, especialmente dado el modesto número de pacientes estudiados hasta ahora. En cambio, podría actuar como un segundo lector, sobre todo en centros que ven pocos casos de este tipo, y podría ayudar a afinar qué pacientes se inscriben en ensayos clínicos al excluir a aquellos con la enfermedad prefibrótica más agresiva. Con el tiempo, combinar este tipo de IA basada en imágenes con datos clínicos y genéticos podría respaldar una atención más segura y personalizada para las personas que viven con estos raros trastornos sanguíneos.

Cita: Srisuwananukorn, A., Loscocco, G.G., Dolezal, J.M. et al. Artificial intelligence differentiates prefibrotic primary myelofibrosis with thrombocytosis from essential thrombocythemia using digitized bone marrow biopsy images. Leukemia 40, 1018–1026 (2026). https://doi.org/10.1038/s41375-026-02893-7

Palabras clave: inteligencia artificial, biopsia de médula ósea, neoplasias mieloproliferativas, trombocitemia esencial, mielofibrosis primaria prefibrótica