Hay una idea que en patología tratamos como si fuera una verdad final: la histología es el gold standard. Basamos diagnósticos en ella, ajustamos tratamientos, diseñamos un endpoint en un ensayo clínico y luego comparamos cada herramienta nueva contra ella como si fuera una referencia fija e infalible.
Pero el artículo publicado en Beyond the Slide plantea una pregunta que merece pausa: ¿y si el propio gold standard estuviera hecho de barro? No por debilidad de los patólogos, sino porque la herramienta con la que medimos la enfermedad lleva sus límites incorporados.
La histología es un modelo, no una copia completa de la enfermedad
La enfermedad en el tejido no avanza en grados ordenados y limpios. La fibrosis, la inflamación, la transformación tumoral, los cambios del stroma, la distribución de las células inmunes y todo lo que vemos en la lámina forman parte de un proceso continuo. Convertimos ese proceso en un Metavir stage, un Gleason pattern o un NAS score, y después tratamos el número resultante como si resumiera toda la biología del caso.
Ahí empieza el problema. Cuando comprimimos un tejido rico en información dentro de un solo número ordinal, perdemos detalles que pueden ser la señal verdadera. Un paciente en F3 puede mejorar biológicamente de forma clara, con menos colágeno o con un cambio en el patrón inflamatorio, pero si no cruza el límite visual requerido hacia F2, en el ensayo aparecerá como no respondedor.
No es un problema teórico. Es un problema de endpoint. El fármaco puede estar haciendo algo importante dentro del tejido, pero el sistema de medición no tiene la resolución suficiente para verlo.
Los casos limítrofes exponen la debilidad del sistema
El punto donde más se nota la debilidad de la clasificación es la zona entre dos grados. La diferencia entre grade 1 y grade 2 en lobular inflammation no siempre representa una separación biológica nítida. A veces es una decisión visual dentro de una zona gris. Aun así, el análisis estadístico del ensayo clínico trata el cruce de ese límite como un evento claro.
Lo mismo ocurre en Gleason. La diferencia entre 3+4 y 4+3 no solo cambia la cifra final, también cambia el significado del riesgo y la trayectoria del paciente. La decisión entre active surveillance o intervención quirúrgica puede depender del porcentaje de pattern 4 que ve el patólogo. El problema es que esa distinción ocurre en una muestra pequeña, bajo el efecto de artefacts, variaciones de procesamiento, fatiga visual y criterios interpretativos que no pueden convertirse por completo en una regla fija.
Por eso no basta con decir que existe interobserver variability. La frase se ha vuelto tan familiar que ha perdido fuerza. Lo importante es dónde aparece esa variabilidad. A menudo aparece justo en el punto del que depende una decisión clínica o regulatoria.
La biopsia también es una pequeña parte de la realidad
En enfermedades hepáticas, una biopsia de dos centímetros puede representar una fracción mínima del órgano. Y en enfermedades de distribución heterogénea, como la fibrosis o la infiltración tumoral, el sitio por donde entra la aguja puede cambiar el estadio. El paciente puede parecer mejor o peor porque la muestra vino de una zona distinta, no porque la enfermedad haya cambiado de verdad.
Esto importa en los ensayos clínicos. Si el endpoint depende de una biopsia basal y otra posterior, parte de la “mejoría” o del “deterioro” puede venir de sampling noise. Cuando la señal terapéutica es moderada, ese ruido puede ocultar el efecto del fármaco o fabricar un efecto que parece mayor de lo que es.
MASH muestra con claridad la fragilidad del endpoint
En MASH, la evaluación de la respuesta depende de la resolution of steatohepatitis o de la mejoría de fibrosis. El NAS combina steatosis, lobular inflammation y hepatocellular ballooning. Entre estas variables, ballooning es la más difícil y la más variable entre lectores, pero aun así entra directamente en la definición de respuesta.
Esto crea una situación incómoda: la variable más subjetiva pasa a formar parte de la decisión que define el éxito o el fracaso de un trial. Si algunos pacientes pueden convertirse en “responders” en una segunda lectura solo por ruido de medición, el problema está en la arquitectura del endpoint, no solo en el entrenamiento del patólogo.
¿Dónde entran la patología digital y la inteligencia artificial?
El valor de la patología digital aquí no viene solo de convertir una lámina de vidrio en una imagen. El valor empieza cuando pasamos de una clasificación visual gruesa a una medición cuantitativa continua. En lugar de stage 2, puede medirse el área de colágeno. En lugar de una estimación general de la inflamación, puede calcularse la densidad celular y su distribución espacial. Y en lugar de limitarse a la arquitectura histológica visible, pueden extraerse features vinculadas con la respuesta genómica o clínica.
La inteligencia artificial no elimina el papel del patólogo. Reduce el ruido en lugares que el propio patólogo reconoce como cansadores e inestables. AIM-MASH de PathAI es un buen ejemplo de esta dirección. Su valor viene de intentar estabilizar una parte oscilante de la herramienta de medición, sobre todo en una variable como hepatocellular ballooning, más que de proponer un endpoint nuevo.
La diferencia es importante. La conversación sobre AI en patología no debe quedarse encerrada en la pregunta “¿diagnostica como un patólogo?”. La pregunta más madura es: ¿puede hacer que la medición tenga menos ruido, sea más reproducible y esté más cerca de un outcome real?
La comparación con el gold standard necesita revisión
Cada herramienta nueva en patología digital suele compararse con la histología tradicional. Hasta cierto punto, tiene sentido. Pero si la referencia ya tiene una precisión limitada, la comparación se vuelve una trampa. Podemos rechazar una herramienta cuantitativa porque no coincide con un score visual variable, aunque quizá esté más cerca de la biología o se relacione mejor con el resultado clínico a largo plazo.
La histología seguirá siendo una parte central de nuestro trabajo. Lo necesario es definir sus límites con claridad y dejar de tratarla como si fuera una verdad absoluta. Es un modelo. Y todo modelo debe medirse por su ruido, sus límites y su capacidad predictiva, no solo por su autoridad histórica.
Conclusión
Si queremos endpoints mejores en los ensayos clínicos, sobre todo en MASH y en oncología, tenemos que redefinir lo que le pedimos a la lámina. La lámina no debería darnos solo un grado. Debería darnos mediciones continuas, relaciones espaciales, trajectories y modelos multivariables que puedan vincularse con lo que le ocurre realmente al paciente.
La pregunta ya no es: ¿ha llegado la inteligencia artificial al nivel del gold standard? La pregunta más precisa es: ¿era este gold standard lo bastante sólido como para usarlo para juzgar el futuro?
Fuente: The Gold Standard Was Made of Clay, Beyond the Slide