Se publicó en arXiv un estudio sobre PulmoFoundation, un modelo de inteligencia artificial diseñado para patología pulmonar, con datos de validación más amplios que lo habitual en muchos trabajos de CPath. La importancia del artículo está en el diseño de la evaluación: biopsias, cortes por congelación, muestras de resección, marcadores de IHC, marcadores moleculares y supervivencia de pacientes, además de una validación prospectiva y un estudio de lectura con patólogos.
En el laboratorio, estos números se leen desde un ángulo concreto. La pregunta práctica es si el modelo puede convertirse en una capa de triaje y apoyo en puntos definidos del flujo de trabajo, sin sustituir el juicio del médico ni generar una confianza excesiva en sus salidas. El artículo ofrece cifras que permiten una discusión profesional sobre esa pregunta.
¿Qué evaluó el estudio?
PulmoFoundation se basó en Virchow2 y después recibió entrenamiento adicional orientado al pulmón con más de 88 millones de tiles tomados de unas 40.000 láminas digitales H&E procedentes de 12 fuentes institucionales y públicas. Luego el modelo se probó en más de 26.000 WSI dentro de 32 tareas clínicas, con 32 cohorts internos y 21 cohorts externos de 8 instituciones independientes.
Ese tamaño no elimina las preguntas sobre sesgo o diferencias de protocolo, pero desplaza la discusión desde una demostración técnica limitada hacia una evaluación más cercana al trabajo diario. El artículo no se queda en clasificar una sola imagen o una sola tarea. Mide el rendimiento del modelo en la etapa de biopsia, corte por congelación e informe de resección, y lo relaciona con algunas decisiones de IHC y con marcadores moleculares y pronósticos.
Biopsia: la primera puerta de decisión
En biopsias, el estudio evaluó cuatro tareas básicas. El modelo alcanzó un AUC medio de 0,936 internamente y 0,916 externamente. En la distinción entre benigno y maligno, el AUC llegó a 0,970 internamente y 0,916 externamente. Este punto importa porque la biopsia suele ser una muestra limitada, y la primera decisión marca la rapidez con que se pasa a la caracterización histológica y a la solicitud de pruebas auxiliares.
En la diferenciación entre cáncer primario de pulmón y metástasis, algunas comparaciones alcanzaron un AUC de 1,000 dentro de un cohort concreto, pero ese resultado debe leerse dentro de los límites del tipo de metástasis, su número y la fuente de los datos. No debe convertirse en una promesa general. Su utilidad práctica es que sugiere que las representaciones de WSI pueden contener señales útiles para triar casos que necesitan una revisión más profunda, no que reemplacen el contexto clínico o el panel de IHC cuando hace falta.
Corte por congelación: ¿dónde aparece el valor del tiempo?
El corte por congelación pone a prueba el modelo bajo una presión distinta. La decisión es rápida y el efecto quirúrgico es directo. En cuatro tareas de cortes por congelación, PulmoFoundation logró un AUC medio de 0,908 internamente y 0,985 externamente. En un punto de operación que exigía una especificidad de al menos 99%, el modelo pasó por alto menos casos malignos que los modelos de referencia en los centros de prueba citados en el artículo.
Aquí no basta decir “preciso”. Lo que le importa al patólogo es el patrón de error: ¿pasa por alto una malignidad? ¿empuja al cirujano hacia una decisión excesiva? ¿maneja el artefacto de congelación? El estudio aporta algunos números sobre estas preguntas, pero sigue necesitando una prueba local antes de cualquier adopción clínica, porque la calidad de la congelación, el tipo de muestras y el comportamiento del equipo quirúrgico varían entre laboratorios.
Muestras de resección: clasificación, gradación y más
En muestras de resección, el modelo se probó en 12 tareas relacionadas con clasificación, gradación y evaluación patológica. Las tareas incluyeron distinguir benigno de maligno, tumor primario de metástasis, el origen de la metástasis y la diferenciación entre adenocarcinoma y carcinoma escamoso. También cubrieron tareas vinculadas a elementos del informe que influyen en el tratamiento adyuvante y el pronóstico.
Lo llamativo en esta parte es que el modelo no se presentó como una herramienta que entrega una única respuesta. El uso más cercano a la realidad es una segunda capa de lectura que señale áreas o probabilidades que merecen atención, sobre todo en casos de gran volumen o cuando hay discordancia entre la impresión histológica y los resultados de pruebas posteriores. Cualquier aplicación real debe permanecer dentro de un sistema claro de control de calidad, con registro de errores y revisión periódica.
IHC y marcadores moleculares: utilidad inicial, no sustituto de la prueba
El artículo evaluó la capacidad del modelo para inferir marcadores a partir de H&E, entre ellos TTF-1, Napsin-A, CK7, P40 y P63, además de Ki-67, algunos marcadores moleculares y resultados de supervivencia. Por ejemplo, TTF-1 alcanzó internamente un AUC de 0,923, Napsin-A de 0,936 y CK7 de 0,899, con cifras más altas en un cohort externo mencionado en el artículo.
Estos resultados no significan que se puedan cancelar las tinciones. Una lectura profesional más prudente es que podrían ayudar a ordenar el trabajo: ¿qué casos parecen suficientemente claros como para reducir una solicitud poco productiva? ¿y qué casos necesitan confirmación rápida? En la validación prospectiva, el estudio propuso que el sistema podría diferir el 44,5% de las solicitudes de IHC bajo umbrales de seguridad predefinidos, con un PPV combinado de 0,966 para el panel de marcadores. Es una cifra importante, pero exige una definición local de lo que significa “diferir” la solicitud: ¿no pedir la tinción en absoluto, esperar la revisión del patólogo o mostrar una recomendación interna en la interfaz de trabajo?
Validación prospectiva y experiencia de los médicos
La parte más fuerte del artículo es la validación prospectiva en 1.357 pacientes consecutivos a través de 11 tareas en práctica rutinaria. El modelo alcanzó un AUC medio de 0,923. Los umbrales de triaje también sugirieron que el sistema podría reducir la carga de segunda revisión en el 68,8% de las biopsias y el 83,0% de los cortes por congelación, con PPV de 1,000 y 0,991, respectivamente.
El estudio también realizó un ensayo aleatorizado con diseño crossover en el que participaron ocho patólogos, con 4.928 pares caso-lector. La exactitud con asistencia aumentó de 83,8% a 91,7%, el tiempo diagnóstico mediano bajó 19,6%, la confianza diagnóstica subió 8,7% y el acuerdo entre lectores mejoró de κ=0,56 a κ=0,76. Son cifras sólidas, pero el número de médicos es limitado, y hay que prestar atención al efecto de la interfaz y a la forma en que se muestra el resultado del modelo, porque pueden cambiar el comportamiento del lector tanto como el propio modelo.
El riesgo de sesgo hacia la máquina
El artículo no ignoró el riesgo de automation bias. Entre 4.928 observaciones asistidas por IA, se produjo pérdida de exactitud después de mostrar el resultado del modelo en el 0,5% de las observaciones, y daño estricto por adoptar un error del modelo en el 0,1%. Estas proporciones son pequeñas, pero no son cero. Recuerdan que cualquier sistema de apoyo necesita un diseño de interfaz que impida aceptar la salida como una verdad final.
En la práctica, el mejor lugar para una herramienta de este tipo puede estar en el triaje, la priorización y la detección de casos que merecen una segunda revisión, no en emitir un diagnóstico independiente. Un laboratorio que piense en este tipo de solución necesita probarla internamente sobre su propio archivo, luego ejecutarla en modo silencioso y después compararla con los resultados de los patólogos y las pruebas posteriores antes de introducirla en el flujo clínico.
¿Qué significa esto para el laboratorio?
PulmoFoundation ofrece un ejemplo de una evaluación más madura de modelos de patología digital: múltiples tareas, cohorts externos, validación prospectiva y estudio de lectores. Eso no hace que el modelo esté listo para todos los laboratorios. Sí convierte el artículo en un buen material para definir los criterios de evaluación que deberíamos pedir a cualquier proveedor o equipo de investigación: rendimiento por tipo de muestra, umbrales de operación predefinidos, análisis de error, medición del impacto en tiempo y vigilancia del sesgo hacia el resultado automatizado.
Fuente del artículo: arXiv:2605.25878