Validación de predicción conforme en la clasificación de la atipia cervical

Por qué importa un cribado más inteligente del cáncer de cuello uterino

El cáncer de cuello uterino sigue causando la muerte de cientos de miles de mujeres cada año, sobre todo en países donde faltan médicos y especialistas de laboratorio. Los sistemas de inteligencia artificial (IA) que examinan muestras de células cervicales al microscopio podrían ayudar a cubrir esta carencia, pero los sistemas actuales a menudo hablan con demasiada seguridad. Suelen dar una única etiqueta de “mejor suposición”, incluso cuando la imagen es realmente difícil de clasificar. Este estudio plantea una pregunta simple pero crucial: cuando una IA dice que no está segura, ¿esa incertidumbre se corresponde con lo que piensan los expertos humanos?

De respuestas únicas a listas cortas de posibilidades

La mayoría de las herramientas médicas de IA para imágenes de citología de Papanicolaou reflejan cómo se redactan los informes de laboratorio estándar: eligen una categoría como “normal”, “cambios de bajo grado” o “cambios de alto grado” y añaden una probabilidad. Pero esas puntuaciones de probabilidad pueden dar una impresión engañosamente precisa. El método explorado en este artículo, llamado predicción conforme, toma otra ruta. En lugar de una respuesta final, produce un pequeño conjunto de etiquetas plausibles para cada mosaico de imagen de un portaobjetos. Un caso muy seguro puede recibir una sola etiqueta, mientras que un caso difícil puede recibir varias. En principio, esto debería dar a los clínicos una visión más honesta de lo que el modelo sabe y no sabe.

Construyendo un panorama completo del desacuerdo entre expertos

Para probar cómo funciona esta idea en el mundo real, los investigadores reunieron un conjunto de datos detallado a partir de más de 300 portaobjetos de Papanicolaou recogidos en un hospital rural de Kenia. Un sistema de IA existente primero señaló las regiones con probabilidad de contener células anormales, y esas regiones se recortaron en pequeños mosaicos. Seis expertos en citología con experiencia utilizaron después una plataforma web personalizada para etiquetar miles de estos mosaicos. Para un conjunto de prueba central, cuatro expertos etiquetaron de forma independiente los mismos mosaicos. Esto creó no solo una única “verdad de referencia” por mosaico, sino un patrón completo de acuerdo y desacuerdo entre expertos, que capturó qué imágenes eran claras y cuáles eran naturalmente ambiguas.

Probando distintas formas de expresar la incertidumbre

El equipo entrenó tres modelos de aprendizaje profundo populares para reconocer cuatro categorías: normal, cambios de bajo grado, cambios de alto grado y artefactos. Sobre cada modelo aplicaron tres variantes de predicción conforme que difieren en cuánto tienden a ampliar sus conjuntos de etiquetas. Luego evaluaron el rendimiento de dos maneras complementarias. Primero, usaron medidas de cobertura convencionales que preguntan simplemente: ¿incluye el conjunto de etiquetas predicho la etiqueta de consenso de los expertos al menos un porcentaje elegido de las veces? Segundo, introdujeron medidas de estilo acuerdo que comparan cada conjunto de predicción con la lista completa de etiquetas dada por todos los expertos para ese mosaico, recompensando los casos en que la lista corta de la IA coincide con el propio rango de opiniones de los expertos.

Cuando las métricas estándar dibujan un panorama demasiado optimista

Según las medidas de cobertura convencionales, los métodos conformes parecían impresionantes: casi siempre incluían la etiqueta de consenso de los expertos, especialmente cuando se permitía que los conjuntos fueran algo más grandes. Pero las pruebas de acuerdo más estrictas contaron otra historia. Las coincidencias exactas entre los conjuntos de etiquetas de la IA y las etiquetas combinadas de los expertos fueron solo alrededor de un tercio de los casos, independientemente del método. Algunos enfoques favorecían conjuntos pequeños y precisos que pasaban por alto etiquetas que los expertos consideraban plausibles, mientras que otros producían conjuntos más grandes que incluían etiquetas improbables junto a la correcta. Los métodos sí funcionaron bien para seguir la ambigüedad inherente: cuando los expertos humanos discrepaban más, los conjuntos conformes tendían a aumentar de tamaño. Sin embargo, fueron mucho menos fiables a la hora de señalar imágenes que realmente no pertenecían a la distribución de entrenamiento, como frotis de Papanicolaou muy ruidosos o muestras de médula ósea de otro tipo de tejido, y este comportamiento dependía fuertemente del modelo subyacente utilizado.

Qué implica esto para el uso en el mundo real

Para los clínicos que consideran herramientas de apoyo con IA, la conclusión principal es que las estimaciones de incertidumbre no son automáticamente fiables solo porque vengan con garantías matemáticas. La predicción conforme puede asegurar que la etiqueta verdadera esté muy a menudo en algún lugar del conjunto predicho, pero este estudio muestra que las etiquetas adicionales en ese conjunto pueden no coincidir con las expectativas humanas e incluso pueden distraer de las posibilidades más relevantes. Los autores sostienen que en áreas de alto riesgo como el cribado del cáncer, los resultados de la IA deben evaluarse no solo por si son técnicamente “correctos”, sino también por si presentan la información de forma enfocada y clínicamente significativa. Trabajos futuros deberán perfeccionar tanto los modelos como las herramientas de incertidumbre para que sus listas cortas de diagnósticos resulten tan sensatas para los expertos como lo son satisfactorias para las ecuaciones.

Cita: Hagos, M.T., Suutala, A., Bychkov, D. et al. Validation of conformal prediction in cervical atypia classification. Sci Rep 16, 9649 (2026). https://doi.org/10.1038/s41598-026-44850-5

Palabras clave: cribado del cáncer de cuello uterino, incertidumbre en IA médica, predicción conforme, citología digital, detección fuera de distribución