Hacia la detección y cuantificación basada en aprendizaje profundo de la metaplasia intestinal en biopsias gástricas digitalizadas: un estudio comparativo multi-experto

Por qué esto importa para su salud

El cáncer de estómago sigue siendo uno de los más letales del mundo, en gran parte porque a menudo se detecta demasiado tarde. Los médicos saben que un cambio precanceroso concreto en el revestimiento del estómago, denominado metaplasia intestinal, indica un riesgo mayor años antes de que aparezca un tumor. Pero hoy ese signo de advertencia se valora a simple vista, lo que implica que dos expertos pueden mirar la misma biopsia y no coincidir en la gravedad. Este estudio explora si la inteligencia artificial puede aportar más consistencia y precisión a ese paso crucial de aviso temprano.

Cómo buscan los médicos señales de problema en el estómago

Cuando se evalúa a alguien por posible enfermedad gástrica, se toman pequeñas muestras de tejido de varios puntos estándar dentro del estómago y se examinan al microscopio. Los patólogos buscan pistas como inflamación, pérdida de glándulas normales y, sobre todo, la aparición de células de tipo intestinal donde no deberían estar. Cuanto más extendidos estén estos cambios y mayor sea el número de áreas del estómago que ocupen, mayor será el riesgo estimado de que la persona acabe desarrollando cáncer gástrico. Los sistemas de puntuación actuales combinan estas impresiones visuales en estadios que van de muy bajo a muy alto riesgo, orientando la frecuencia con la que debe hacerse el seguimiento del paciente.

El problema del juicio humano aislado

Aunque estos sistemas se usan ampliamente en clínicas, dependen de la mejor estimación del patólogo sobre qué fracción del tejido está alterada. Investigaciones previas y la experiencia cotidiana han mostrado que incluso expertos bien formados pueden diferir notablemente en sus estimaciones. En este estudio, tres patólogos valoraron de forma independiente más de 200 series de biopsias gástricas de voluntarios y pacientes colombianos. Su grado de concordancia fue solo de leve a moderado, lo que significa que un mismo caso podría recibir estadios de riesgo diferentes según quién lo interpretara. Esta variabilidad genera inquietud porque algunas personas podrían recibir tranquilidad errónea mientras otras podrían ser clasificadas con mayor riesgo del real.

Enseñar a un ordenador a leer biopsias

Los investigadores se preguntaron si el aprendizaje profundo, un tipo de inteligencia artificial que destaca en reconocer patrones en imágenes, podría ayudar. Digitalizaron cinco muestras de biopsia por persona a muy alta magnificación y primero utilizaron un algoritmo especializado para localizar las estructuras glandulares en el tejido, donde aparecen los cambios iniciales. De esas regiones extrajeron cientos de miles de pequeñas piezas de imagen (tiles). Un patólogo experimentado ya había delineado dónde estaba presente la metaplasia intestinal, lo que permitió al equipo etiquetar los tiles como alterados o normales. Varias arquitecturas modernas de redes neuronales se entrenaron luego por fases: primero aprendiendo de grandes bases de datos de imágenes existentes y luego ajustándose finamente con estas muestras gástricas para distinguir tiles metaplásicos de normales.

Qué halló el ordenador y cómo se compara

Entre los modelos probados, una arquitectura en particular alcanzó los mejores resultados, identificando correctamente la metaplasia intestinal en la mayoría de los tiles y alcanzando niveles de rendimiento comparables a los observados en otras tareas de imagen médica. Cuando las predicciones a nivel de tile se reconstruyeron en las imágenes completas de la lámina, el modelo produjo mapas codificados por color que mostraban dónde era probable que hubiera glándulas alteradas. A partir de esos mapas, el programa calculó automáticamente el porcentaje de tejido alterado en cada sitio de biopsia y tradujo esos porcentajes a los mismos estadios de riesgo usados por los expertos humanos. Aunque el modelo no coincidió perfectamente con ningún patólogo individual, mostró una fuerte correlación con sus estimaciones y, lo que es importante, fue más consistente de un caso a otro que la concordancia entre los propios humanos.

Qué podría significar esto para la atención futura

El estudio sugiere que los sistemas de aprendizaje profundo pueden actuar como "segundos lectores" estables para las biopsias gástricas, ofreciendo mediciones objetivas de cuánto tejido muestra cambios precancerosos tempranos. En lugar de reemplazar a los patólogos, estas herramientas podrían proporcionarles una base fiable, reducir conjeturas y discrepancias, y ayudar a garantizar que las personas con riesgo realmente elevado sean identificadas y monitorizadas adecuadamente. Con más pruebas en distintos hospitales y un etiquetado más detallado de los subtipos tisulares, este enfoque podría, eventualmente, respaldar decisiones más personalizadas y seguras sobre quién necesita un seguimiento más estrecho para prevenir el cáncer de estómago.

Cita: Cano, F., Caviedes, M., Siabatto, A. et al. Towards deep-learning based detection and quantification of intestinal metaplasia on digitized gastric biopsies: a multi-expert comparative study. Sci Rep 16, 9606 (2026). https://doi.org/10.1038/s41598-025-32737-w

Palabras clave: cáncer gástrico, metaplasia intestinal, aprendizaje profundo, patología digital, estratificación del riesgo de cáncer