La inteligencia artificial aplicada a patología está pasando de ser un tema experimental a convertirse en una familia de herramientas capaces de apoyar tareas concretas dentro de la anatomía patológica. Su mayor potencial no consiste en emitir diagnósticos sin supervisión, sino en ayudar a localizar regiones de interés, cuantificar hallazgos, ordenar cargas de trabajo, detectar inconsistencias y convertir grandes volúmenes de imágenes y datos en información más manejable para el especialista.
La adopción responsable exige más que adquirir un algoritmo. El laboratorio necesita imágenes digitales de calidad, datos bien identificados, procesos estandarizados, infraestructura, integración con el sistema de información, validación local, capacitación y vigilancia continua. También debe conocer exactamente para qué población, muestra, tinción, equipo y finalidad fue desarrollado el modelo.
¿Qué significa inteligencia artificial en patología?
La inteligencia artificial es un término amplio para sistemas informáticos capaces de realizar tareas que normalmente requieren reconocimiento de patrones, clasificación, predicción, generación de contenido o toma de decisiones estructuradas. En patología, la mayor parte de las aplicaciones actuales utiliza aprendizaje automático para analizar imágenes digitales, datos clínicos, resultados moleculares o textos.
El aprendizaje automático permite que un modelo identifique relaciones a partir de ejemplos. Dentro de este campo, el aprendizaje profundo utiliza redes neuronales con múltiples capas y ha impulsado avances en reconocimiento de imágenes. En una laminilla digital, estas técnicas pueden aprender características relacionadas con células, núcleos, arquitectura tisular, tinciones o patrones morfológicos.
La IA generativa es diferente. Puede producir texto, resúmenes, imágenes sintéticas o respuestas conversacionales. En anatomía patológica podría apoyar documentación, búsqueda de información o estructuración de datos, pero también puede generar contenido incorrecto con apariencia convincente. Por ello, cualquier resultado clínicamente relevante requiere revisión profesional y controles claros.
La patología digital como base de la IA
Los algoritmos de análisis de imagen necesitan material digital. La imagen de laminilla completa, conocida como WSI, transforma una laminilla física en un archivo navegable de alta resolución. La FDA describe la patología digital como la adquisición de escaneos digitales de tejidos y la visualización, análisis, transferencia, almacenamiento e interpretación de los datos resultantes.
Sin embargo, digitalizar no garantiza que los datos sean aptos para IA. Una laminilla con pliegues, desenfoque, tinción variable, tejido insuficiente, artefactos o identificación deficiente puede producir resultados poco confiables. El algoritmo puede amplificar problemas que ya existían en el proceso histológico.
La preparación para IA comienza con trazabilidad, estandarización y control de calidad. Cada imagen debe relacionarse de forma inequívoca con paciente, caso, muestra, bloque, laminilla, tinción y diagnóstico de referencia. Esa relación es una de las funciones más importantes de un sistema de información de anatomía patológica.
Consulte también nuestra guía sobre patología digital, donde se explican escáneres, imágenes WSI, almacenamiento, validación e interoperabilidad.
Aplicaciones actuales de la IA en anatomía patológica
Detección de regiones de interés
Un algoritmo puede analizar una imagen extensa y señalar áreas que merecen revisión. Esto puede reducir el tiempo dedicado a buscar eventos escasos o ayudar a priorizar regiones potencialmente relevantes. La marca visual no constituye por sí misma un diagnóstico; funciona como una ayuda que el patólogo debe aceptar, descartar o contextualizar.
Clasificación y apoyo a la identificación
Algunos modelos clasifican patrones tisulares o celulares dentro de categorías previamente definidas. Su utilidad depende de la representatividad del conjunto de entrenamiento y de la similitud entre los datos originales y los casos del laboratorio. Una clasificación diseñada para una preparación específica puede perder desempeño ante otro escáner, tinción o población.
Segmentación de tejidos y estructuras
La segmentación delimita regiones como tumor, estroma, necrosis, epitelio o núcleos. Esta función sirve como base para mediciones posteriores. Aunque el resultado parezca visualmente preciso, debe verificarse en muestras difíciles, artefactadas y limítrofes.
Conteo y morfometría
La IA puede apoyar conteos celulares, medición de áreas, densidad, distancia o distribución espacial. La automatización puede mejorar reproducibilidad en tareas repetitivas, pero los criterios de inclusión, exclusión y control de calidad deben definirse antes de utilizar los valores.
Cuantificación de inmunohistoquímica
Los algoritmos pueden ayudar a estimar porcentaje de células positivas, intensidad o patrones de expresión. El desempeño se relaciona con la calidad de la tinción, selección del área, controles, calibración y reglas de interpretación. La cuantificación debe validarse para cada marcador y uso clínico previsto.
Priorización de casos
Un sistema puede ordenar listas de trabajo según señales de posible urgencia o complejidad. Esta función busca que ciertos casos sean revisados antes, no que los restantes se consideren negativos. Una política de priorización debe impedir que un falso negativo retrase indebidamente un estudio.
Control de calidad
La IA también puede identificar imágenes desenfocadas, ausencia de tejido, etiquetas inconsistentes, tinciones anómalas o discrepancias entre datos. Estas aplicaciones operativas pueden generar valor sin intervenir directamente en el diagnóstico.
Investigación y descubrimiento de biomarcadores
El análisis computacional permite explorar relaciones entre morfología, genómica, pronóstico y respuesta terapéutica. La IARC señala que la patología digital y el análisis de imágenes están generando nuevos conocimientos y ayudas diagnósticas clínicamente aplicables. Los resultados de investigación, no obstante, requieren validación adicional antes de trasladarse a la práctica.
Beneficios potenciales
| Necesidad | Apoyo posible de IA | Condición esencial |
|---|---|---|
| Revisar imágenes muy extensas | Señalar regiones de interés | Alta sensibilidad y política para discrepancias |
| Cuantificar biomarcadores | Conteo y medición reproducible | Validación por marcador, tinción y equipo |
| Distribuir carga de trabajo | Priorización y clasificación operativa | Reglas transparentes y seguimiento |
| Controlar calidad del escaneo | Detección de desenfoque o tejido ausente | Criterios de aceptación documentados |
| Analizar grandes colecciones | Extracción de patrones cuantitativos | Datos representativos y gobernanza |
Cuando la herramienta se ajusta al flujo, puede disminuir trabajo repetitivo, mejorar consistencia y permitir que el patólogo concentre atención en áreas de mayor complejidad. También puede generar mediciones que faciliten auditoría, investigación y comparación longitudinal.
El beneficio debe medirse. No basta con afirmar que la IA “ahorra tiempo”. Es necesario comparar tiempos, repeticiones, discrepancias, productividad, experiencia del usuario y resultados antes y después de la implementación.
Limitaciones y riesgos que deben entenderse
Sesgo de los datos
Un modelo aprende de los datos que recibió. Si el entrenamiento excluyó ciertos grupos, tipos de tumor, preparaciones o equipos, el desempeño puede ser desigual. Los promedios globales pueden ocultar errores relevantes en subgrupos.
Cambio de dominio
Una modificación de escáner, objetivo, compresión, tinción, reactivo, procedimiento o población puede alterar la apariencia de las imágenes. Este fenómeno, conocido como cambio de dominio, puede reducir el desempeño aunque el algoritmo no haya cambiado.
Falsos positivos y falsos negativos
Ningún modelo es perfecto. Los falsos positivos pueden aumentar revisiones innecesarias; los falsos negativos pueden omitir regiones importantes. La consecuencia clínica depende del uso. No es equivalente un error en una herramienta educativa que un error en una función de priorización diagnóstica.
Falta de explicabilidad
Algunos sistemas producen una puntuación sin mostrar claramente qué características influyeron. Mapas de calor y anotaciones pueden ayudar, pero no siempre explican el razonamiento del modelo. El usuario debe saber qué salida recibe y qué no puede inferir de ella.
Automatización complaciente
Una herramienta que acierta con frecuencia puede inducir confianza excesiva. El profesional podría dejar de buscar hallazgos fuera de las regiones marcadas. La capacitación debe incluir errores conocidos, casos límite y mecanismos para reportar desacuerdos.
Cómo validar una herramienta de IA
El College of American Pathologists destaca que la validación debe demostrar que el sistema funciona en el entorno donde será utilizado. El protocolo debe corresponder al uso previsto y considerar el flujo completo, no sólo una demostración con imágenes seleccionadas.
La primera pregunta no es “¿qué tan exacto es?”, sino “¿qué tarea realizará?”. Puede tratarse de detección, clasificación, cuantificación, control de calidad o priorización. Después deben definirse población, tipos de muestra, tinciones, equipos, usuarios, métricas, criterios de aceptación y procedimiento ante resultados no concluyentes.
La sensibilidad y especificidad son importantes, pero no suficientes. También pueden evaluarse valores predictivos, concordancia, reproducibilidad, tiempo, tasa de fallas, desempeño por subgrupos, comportamiento ante artefactos y efecto sobre el trabajo del patólogo.
La validación local debe incluir casos representativos de la práctica real, incluidos negativos, positivos, difíciles y poco frecuentes. Los casos no deberían limitarse a ejemplos ideales. Cuando cambia un elemento relevante del sistema, puede ser necesaria una reevaluación.
La FDA mantiene una lista pública de dispositivos médicos habilitados con IA en Estados Unidos y desarrolla herramientas para evaluación de desempeño en imágenes WSI. Esto refleja la importancia de documentar el ciclo de vida, la transparencia y la vigilancia posterior a la implementación. La situación regulatoria varía por país y producto.
Regulación, ética y responsabilidad
Una aplicación de IA puede considerarse software médico dependiendo de su finalidad. La organización debe revisar las autorizaciones del producto, indicaciones, contraindicaciones, versión y jurisdicción. Una herramienta aprobada para una tarea no queda autorizada automáticamente para otras.
La Organización Mundial de la Salud propone principios para que la IA en salud proteja autonomía, bienestar, transparencia, responsabilidad, inclusión y sostenibilidad. En patología, estos principios se traducen en informar límites, proteger datos, evitar discriminación, mantener supervisión humana y conservar mecanismos de auditoría.
La responsabilidad profesional no desaparece porque exista un algoritmo. Deben definirse roles del proveedor, institución, informática, laboratorio y usuarios. También conviene establecer quién revisa alertas, cómo se documentan discrepancias y cuándo se suspende una herramienta.
Datos, privacidad y ciberseguridad
Las imágenes y sus metadatos pueden revelar información sensible. Antes de enviar datos a servicios externos debe conocerse dónde se almacenan, quién tiene acceso, si se utilizan para entrenamiento, cuánto tiempo se conservan y cómo se eliminan.
Para investigación o desarrollo pueden requerirse desidentificación, acuerdos de uso, consentimiento o aprobación institucional. Quitar el nombre visible no siempre elimina todos los identificadores; los metadatos y códigos también deben revisarse.
La ciberseguridad incluye autenticación, control por roles, cifrado, registros, segmentación, actualización, respaldos y respuesta a incidentes. Un sistema de IA conectado con imágenes y expedientes se convierte en parte de la superficie de riesgo del laboratorio.
Integración de la IA con el flujo de patología
Una herramienta aislada obliga a exportar imágenes, capturar identificadores y copiar resultados. Esto agrega trabajo y riesgo. La integración ideal relaciona automáticamente paciente, caso, bloque, laminilla, imagen, algoritmo, versión y resultado.
El sistema de información debe conservar el contexto y mostrar el resultado donde el usuario lo necesita. También debe distinguir entre resultado preliminar, validado, rechazado o no disponible. La bitácora debería registrar cuándo se ejecutó el algoritmo, con qué versión y quién revisó la salida.
Las interfaces pueden utilizar APIs, servicios web o mecanismos específicos del proveedor. No existe compatibilidad universal. Por ello, la evaluación técnica debe realizarse antes de contratar una plataforma.
El papel de Citopat
Citopat puede funcionar como eje administrativo y clínico para organizar solicitudes, muestras, macroscopia, bloques, laminillas, tinciones, diagnósticos e informes. Esa estructura permite que una aplicación de IA reciba imágenes y datos correctamente asociados.
Cuando la integración es viable, Citopat puede mostrar estados, resultados, alertas y vínculos hacia imágenes, manteniendo trazabilidad. El alcance depende del fabricante, formato, API, permisos y finalidad del proyecto.
La preparación más importante para la IA suele ser fortalecer primero la calidad del dato. Identificadores uniformes, catálogos controlados, diagnósticos estructurados y procesos documentados aumentan el valor de cualquier herramienta futura.
Ruta de implementación por fases
1. Elegir un problema concreto
Defina una tarea medible: control de enfoque, cuantificación de un marcador, priorización o apoyo a investigación. Evite iniciar con el objetivo ambiguo de “tener IA”.
2. Preparar datos e infraestructura
Revise calidad de laminillas, escaneo, identificación, almacenamiento, red, privacidad y capacidad de integración.
3. Evaluar evidencia y regulación
Solicite finalidad prevista, población, métricas, limitaciones, estudios, autorizaciones, versiones y política de actualización.
4. Diseñar la validación local
Seleccione casos representativos y criterios de aceptación. Incluya situaciones difíciles y subgrupos relevantes.
5. Ejecutar un piloto silencioso
Compare resultados sin modificar inicialmente decisiones ni prioridades. Esto permite conocer discrepancias con menor riesgo.
6. Capacitar a los usuarios
Explique funcionamiento, límites, errores conocidos, interpretación y procedimiento para reportar problemas.
7. Integrar gradualmente
Active la función para un alcance controlado, con supervisión y posibilidad de volver al proceso anterior.
8. Vigilar el desempeño
Controle métricas, cambios de tinción, versiones, fallas, sesgos, incidentes y experiencia del usuario.
Indicadores para supervisar una IA en producción
Los indicadores deben relacionarse con la tarea. Para detección pueden incluir sensibilidad, falsos negativos y casos no procesables. Para cuantificación, concordancia y variabilidad. Para priorización, tiempo hasta revisión y número de casos reordenados incorrectamente.
También conviene medir tasa de fallas técnicas, tiempo de procesamiento, disponibilidad, porcentaje de resultados revisados, discrepancias por tipo de caso y desempeño después de cambios. Las tendencias pueden revelar degradación antes de que se convierta en un problema clínico.
La vigilancia debe incluir comentarios cualitativos. Un modelo puede mantener métricas aceptables y aun así dificultar el trabajo por una interfaz confusa o exceso de alertas.
IA generativa en informes y documentación
Los modelos generativos pueden ayudar a resumir antecedentes, convertir dictados en texto estructurado, sugerir formatos o facilitar búsquedas. Su uso requiere especial precaución porque pueden inventar información, omitir negaciones, mezclar pacientes o introducir referencias inexistentes.
Una práctica segura limita la generación a fuentes autorizadas, muestra el origen de los datos y exige revisión antes de incorporar contenido al informe. Nunca debería asumirse que un texto fluido es correcto por su apariencia.
Los datos clínicos no deben copiarse en servicios públicos sin conocer sus condiciones de privacidad. La institución debe aprobar las plataformas y definir qué información puede procesarse.
¿La IA reemplazará al patólogo?
La pregunta simplifica demasiado una transformación compleja. La anatomía patológica combina morfología, contexto clínico, calidad de muestra, inmunohistoquímica, biología molecular, comunicación y responsabilidad. Los algoritmos actuales se concentran principalmente en tareas delimitadas.
Es más probable que el trabajo evolucione hacia una colaboración entre especialistas y herramientas computacionales. El patólogo seguirá siendo esencial para integrar evidencia, resolver discordancias, reconocer situaciones fuera del alcance del modelo y asumir la interpretación final.
La ventaja competitiva no estará sólo en tener algoritmos, sino en construir flujos confiables, datos de calidad y equipos capaces de evaluar críticamente la tecnología.
Conclusión
La inteligencia artificial puede aportar valor real a la patología mediante detección, cuantificación, priorización, control de calidad e investigación. Pero su utilidad depende de la preparación digital del laboratorio, la calidad de los datos, la validación local, la integración y la supervisión continua.
La adopción responsable comienza con un problema concreto y medible. Después se evalúa la evidencia, se valida el sistema, se capacita al personal y se vigila el desempeño. Este enfoque evita expectativas irreales y permite construir beneficios graduales.
Citopat puede contribuir como plataforma para organizar el contexto del caso y conectar procesos, imágenes y resultados. Una base sólida de trazabilidad es el punto de partida para aprovechar la IA sin perder control clínico ni operativo.
Preguntas frecuentes
¿La inteligencia artificial puede emitir un diagnóstico sin patólogo?
La mayoría de las aplicaciones actuales están diseñadas para apoyar tareas específicas. Su uso clínico debe corresponder a la finalidad autorizada, validación local y supervisión profesional.
¿Es necesario tener patología digital antes de usar IA?
Para analizar laminillas completas se requiere digitalización. Otras aplicaciones pueden trabajar con textos o datos, pero también necesitan información estructurada y controles.
¿Un algoritmo funciona igual con cualquier escáner?
No necesariamente. Cambios en escáner, tinción, compresión, preparación o población pueden afectar el desempeño y requerir evaluación.
¿Cómo se sabe si una IA es confiable?
Debe revisarse evidencia, finalidad prevista, métricas por subgrupo, validación local, manejo de errores y vigilancia posterior.
¿Citopat incluye cualquier algoritmo de IA?
Las posibilidades dependen del proyecto, proveedor, integración, autorización y alcance. No se presume compatibilidad universal.
Referencias técnicas
- U.S. Food and Drug Administration. Artificial Intelligence-Enabled Medical Devices.
- U.S. Food and Drug Administration. Research on Digital Pathology Medical Devices y ValidPath.
- College of American Pathologists. How to Validate AI Algorithms in Anatomic Pathology.
- World Health Organization. Ethics and Governance of Artificial Intelligence for Health.
- International Agency for Research on Cancer. WHO Classification of Tumours: digital pathology and image analysis.