Aprendizaje profundo para la predicción de malignidad y el origen tumoral usando imágenes de portaobjetos completos de citología o histopatología

Por qué importan los líquidos alrededor de los pulmones y el abdomen

Cuando se acumula líquido alrededor de los pulmones (derrame pleural) o en el abdomen (ascitis), puede ser un signo temprano de que el cáncer se ha diseminado. Los médicos examinan estos fluidos al microscopio buscando células tumorales, pero la tarea es laboriosa y a veces incluso los expertos discrepan. Este estudio describe un nuevo sistema de inteligencia artificial (IA) que puede escanear portaobjetos digitales completos de estos fluidos, ayudar a decidir si hay cáncer presente e incluso sugerir en qué parte del cuerpo probablemente se originó el tumor.

Convertir las láminas de microscopio en mapas digitales

Los laboratorios de patología modernos pueden digitalizar los portaobjetos de vidrio en imágenes digitales de ultra alta resolución, cada una con millones de células. Los investigadores usaron estas imágenes de portaobjetos completos de dos tipos de preparaciones: frotis finos de células y «bloques celulares» compactos que se parecen a pequeñas muestras de tejido. Se centraron en fluidos del tórax y el abdomen recogidos en un hospital importante, junto con muestras de tejido adicionales de una gran base de datos internacional de cáncer. Como marcar manualmente cada célula tumoral es imposible a esta escala, el equipo construyó un método que podía aprender a partir de etiquetas a nivel de portaobjetos, como «maligno» o «benigno», sin anotaciones detalladas.

Una IA que se enseña a sí misma qué buscar

El sistema, llamado MAMILE‑UNI, combina dos ideas clave. Primero, divide cada portaobjetos en muchos parches de imagen pequeños y los pasa por una potente red «transformer» que ha sido preentrenada, sin etiquetas humanas, con millones de imágenes de patología. Este paso de auto‑entrenamiento permite al modelo descubrir patrones visuales útiles—como agrupaciones celulares y texturas tisulares—de forma autónoma. Segundo, un módulo de atención aprende qué parches de un portaobjetos son más relevantes para el diagnóstico, imitando efectivamente cómo un patólogo busca áreas sospechosas. Los parches que influyen fuertemente en la decisión se resaltan, produciendo mapas de calor que muestran dónde «miró» el algoritmo cuando etiquetó un portaobjetos como canceroso o no.

Detectar cáncer en líquidos del tórax y el abdomen

El equipo evaluó MAMILE‑UNI en 1.250 portaobjetos de fluidos procedentes de derrames pleurales y ascitis. En comparación con cinco métodos de aprendizaje profundo líderes, el nuevo sistema fue consistentemente más preciso. Para los derrames pleurales, distinguió correctamente entre portaobjetos malignos y benignos aproximadamente 9 de cada 10 veces tanto en frotis como en bloques celulares. Para la ascitis alcanzó una precisión similar y fue especialmente sólido manteniendo tanto una alta sensibilidad (capturar los verdaderos cánceres) como una alta especificidad (evitar falsas alarmas). Pruebas estadísticas mostraron que sus predicciones coincidían estrechamente con los diagnósticos reales y fueron significativamente mejores que los modelos de IA competidores. Es importante destacar que el sistema se mantuvo fiable incluso cuando las células cancerosas eran escasas en un portaobjetos, una situación que a menudo desafía a los lectores humanos.

Rastrear de dónde vino el cáncer

Más allá de simplemente señalar la malignidad, los autores se preguntaron si la IA podría inferir dónde se inició un tumor metastásico—un gran desafío cuando se desconoce el sitio primario. Usando frotis citológicos de derrames pleurales y ascitis, el modelo aprendió a asignar portaobjetos a grupos amplios de origen como pulmón, mama, tracto gastrointestinal u órganos ginecológicos. Fue particularmente preciso para cánceres de pulmón y mama, mientras que el rendimiento fue más modesto para tumores más raros o visualmente heterogéneos. Para evaluar la generalidad, los investigadores también aplicaron MAMILE‑UNI a 1.196 secciones histológicas de 69 hospitales de todo el mundo. En estas láminas de histología, el sistema identificó el origen tumoral con una precisión sorprendentemente alta, acercándose a una concordancia casi perfecta con los diagnósticos de referencia.

Velocidad, eficiencia y apoyo a los clínicos

Los patólogos a menudo dedican al menos diez minutos a revisar cuidadosamente un único portaobjetos digital de citología. En contraste, MAMILE‑UNI puede procesar un portaobjetos completo y devolver una predicción en menos de dos minutos en una tarjeta gráfica estándar, tras comprimir imágenes de tamaño gigabyte en conjuntos de características compactos. Evaluaciones basadas en curvas mostraron que el modelo tiende a situar los casos verdaderamente malignos cerca de la cima de su lista de prioridades, ofrece un equilibrio favorable entre beneficios y perjuicios a través de umbrales de decisión y produce puntuaciones de probabilidad que se alinean bien con los resultados del mundo real. Los mapas de atención coincidieron estrechamente con las áreas marcadas por patólogos expertos, lo que sugiere que el foco de la IA es clínicamente significativo y no arbitrario.

Qué significa esto para pacientes y médicos

Para los pacientes con líquido en el tórax o el abdomen, un diagnóstico oportuno y preciso determina en gran medida las decisiones de tratamiento, sin embargo las pruebas actuales pueden ser lentas, subjetivas y caras. Este estudio muestra que un sistema de IA cuidadosamente diseñado puede cribar de forma fiable portaobjetos digitales de fluidos y tejidos en busca de signos de cáncer y aportar pistas sobre dónde empezó la enfermedad, usando recursos informáticos modestos. Los autores enfatizan que MAMILE‑UNI no sustituye a los patólogos, sino que es una herramienta de apoyo que podría reducir la carga de trabajo, mejorar la consistencia y ampliar el acceso a diagnósticos oncológicos de alta calidad—especialmente en entornos donde la experiencia especializada y las pruebas de laboratorio avanzadas son limitadas.

Cita: Wang, CW., Chu, TC., Wu, TK. et al. Deep learning for malignancy and tumor origin prediction using cytology or histopathology whole slide images. npj Digit. Med. 9, 175 (2026). https://doi.org/10.1038/s41746-026-02359-1

Palabras clave: IA en citología, derrame pleural, ascitis, predicción del origen tumoral, patología digital