Fuente: Nature Medicine, 29 de abril de 2026. Artículo original: An agentic framework for autonomous scientific discovery in cancer pathology.
Empiezo por la idea central, porque este artículo puede parecer complejo si se lee desde la inteligencia artificial y no desde la patología.
SPARK es un sistema que intenta convertir las observaciones del patólogo en la lámina en indicadores digitales medibles. No pretende dar un diagnóstico listo para usar. Tampoco pretende sustituir al patólogo. Su función es tomar una imagen digital de H&E, analizar la localización de las células y sus relaciones, y proponer medidas tisulares cuya relación con el pronóstico o con un biomarcador concreto pueda evaluarse.
La idea, en términos sencillos
El patólogo ve muchas cosas en una lámina: la densidad de linfocitos, la forma del borde tumoral, la relación entre tumor y estroma, la presencia de células inflamatorias cerca de las células tumorales, y las variaciones nucleares de una zona a otra. Muchas de estas observaciones se usan mentalmente al leer la lámina, pero no siempre se miden como números precisos en miles de casos.
SPARK intenta hacer eso de forma digital.
En lugar de hacerle a un modelo de AI una sola pregunta, por ejemplo si este tumor es MSI-high, SPARK intenta plantear muchas preguntas histológicas, como:
- ¿Los linfocitos están cerca de las células tumorales o lejos de ellas?
- ¿Las células tumorales en el borde del tumor son morfológicamente distintas de las células del centro?
- ¿Existe un patrón específico en la distribución de macrophages o fibroblasts alrededor del tumor?
- ¿La relación entre tumor y estroma se asocia con afectación ganglionar o supervivencia?
Después convierte cada una de esas preguntas en un número. Ese número pasa a ser un parameter que puede evaluarse estadísticamente.
¿Qué entra en SPARK?
SPARK recibe WSI de láminas H&E después de su preparación digital. Antes de que SPARK empiece, la imagen ya ha pasado por pasos conocidos de análisis de imagen: identificación de las áreas tumorales, separación entre tumor y estroma, y reconocimiento de tipos celulares principales, como tumor cells, lymphocytes, macrophages, neutrophils, fibroblasts y otros.
Dicho de otra forma, SPARK no empieza solo con una imagen cruda. Trabaja sobre un mapa digital de la lámina: dónde está el tumor, dónde está el estroma, dónde están las células y cuál es, aproximadamente, el tipo de cada célula.
¿Qué produce?
La salida principal no es un diagnóstico, sino una lista larga de indicadores digitales. Cada indicador representa una idea histológica específica.
Un ejemplo sencillo: si la idea es “proximidad de los linfocitos a las células tumorales”, SPARK la convierte en una medida, como la distancia media entre linfocitos y células tumorales, el número de linfocitos dentro de una distancia determinada del tumor, o la diferencia de ese patrón entre el centro y el borde del tumor.
Luego los investigadores prueban: ¿ese número se asocia con el pronóstico? ¿Se asocia con PD-L1? ¿Ayuda a predecir MSI? ¿Difiere entre pacientes de alto y bajo riesgo?
¿Dónde entra la inteligencia artificial agéntica?
La palabra agentic aquí significa que el sistema no es un único paso. Hay más de un “agente” trabajando en cadena. Un agente propone la idea biológica, otro la depura, otro la convierte en código, y después hay un paso que comprueba que el indicador resultante se pueda calcular y que no sea repetido o poco útil.
Imagine el proceso como un pequeño equipo que trabaja con el patólogo:
- El primero propone preguntas histológicas.
- El segundo convierte la pregunta en una definición más precisa.
- El tercero escribe el método de medición.
- El cuarto comprueba si la medición funciona realmente en los datos.
Esa es la diferencia entre SPARK y un modelo de clasificación tradicional. El modelo tradicional entrega un resultado. SPARK intenta crear indicadores nuevos que se puedan entender y discutir.
¿Qué encontraron los investigadores?
Los investigadores evaluaron el sistema en más de 5400 pacientes de 18 cohort y cinco tipos de cáncer: adenocarcinoma de pulmón LUAD, carcinoma escamoso de pulmón LUSC, cáncer de colon COAD, cáncer de mama BRCA y cáncer de cabeza y cuello HNSC.
SPARK produjo cientos de ideas histológicas. Después de convertirlas en código y eliminar indicadores repetidos o poco prácticos, quedaron más de mil indicadores digitales que podían evaluarse.
Algunos de estos indicadores se asociaron con elementos que los patólogos y oncólogos conocen bien, como grade, estado ER en cáncer de mama, HPV/p16 en cáncer de cabeza y cuello, MSI en cáncer de colon y PD-L1 en adenocarcinoma de pulmón.
¿Por qué importa?
Lo importante no es que SPARK haya superado a todos los modelos o que ya esté listo para la clínica. Lo importante es que ofrece una forma distinta de pensar la AI pathology.
Muchos modelos de inteligencia artificial en patología funcionan como una caja negra: entra una imagen y sale un resultado. El resultado puede ser bueno, pero cuesta entender exactamente por qué el modelo llegó a esa decisión.
SPARK intenta acercar la pregunta a la forma en que piensa el patólogo. En lugar de “el modelo dice que el paciente es high-risk”, obtenemos algo como: un patrón concreto de linfocitos y macrófagos en el borde tumoral, un cambio en la morfología nuclear de las células tumorales cerca del estroma, o una distribución determinada de fibroblastos dentro del tumor, y esos indicadores se asocian con el pronóstico.
Eso facilita la discusión: ¿ese patrón tiene sentido biológico? ¿Lo vemos realmente en la lámina? ¿Puede relacionarse con inmunidad tumoral, invasion o stromal reaction?
Un ejemplo práctico
Supongamos que tenemos un adenocarcinoma de pulmón y queremos saber por qué algunos pacientes tienen peor pronóstico que otros. Un modelo tradicional podría dar solo un risk score. SPARK, en cambio, intenta extraer varios indicadores, como la relación entre células tumorales y estroma, la distribución de las células inmunes o la forma de los núcleos en la zona del invasion front.
Si los pacientes de alto riesgo muestran el mismo patrón de forma repetida, aparece una pista biológica. Tal vez ese patrón refleje immune evasion. Tal vez refleje stromal activation. Puede que no demuestre el mecanismo, pero da una hipótesis que se puede estudiar.
¿SPARK diagnostica pacientes ahora?
No. Este punto es clave.
El estudio es retrospective. La mayoría de los casos fueron resections, no biopsies pequeñas. Los resultados necesitan validación prospectively antes de cualquier uso clínico. Además, algunas clasificaciones celulares en H&E son aproximadas, sobre todo cuando hablamos de fibroblasts o células estromales, porque H&E por sí solo no da una identidad celular precisa como multiplex imaging o spatial proteomics.
Por eso SPARK debe leerse como una herramienta de investigación y descubrimiento de biomarkers, no como una prueba clínica lista para usar.
¿Dónde puede ayudar al patólogo?
El posible beneficio principal es convertir ideas del patólogo en mediciones. Si observa un patrón en la lámina y quiere evaluarlo en cientos o miles de casos, un sistema como SPARK puede ayudar a formular la idea, escribir el método de medición y probar su asociación con los resultados clínicos.
Esto abre una puerta importante en patología digital: no usamos AI solo para clasificar imágenes, sino también para descubrir indicadores histológicos nuevos que se puedan entender.
Conclusión
SPARK es un marco de investigación en patología digital que intenta hacer tres cosas:
- Entender el mapa celular y espacial dentro de la lámina.
- Proponer indicadores histológicos basados en ideas biológicas.
- Evaluar si esos indicadores se asocian con el pronóstico o con biomarkers conocidos.
Su valor está en acercar la inteligencia artificial a la forma de pensar del patólogo. En lugar de un score opaco, obtenemos preguntas e indicadores que pueden leerse, revisarse y relacionarse con la biología tumoral.
No es una herramienta diagnóstica lista para la clínica. Pero sí es un ejemplo claro de una dirección que viene: AI que no solo responde, sino que ayuda al patólogo a generar hipótesis histológicas y probarlas digitalmente.
En una frase: SPARK convierte observaciones de la lámina en números evaluables, y eso puede ayudarnos a descubrir nuevos biomarkers morfológicos a partir de H&E y datos de spatial biology.