Empecemos con una situación diaria.
Un patólogo abre una WSI de ganglio linfático y busca una metástasis pequeña. No lee la lámina como una imagen cualquiera. Primero mira el contexto general, luego va a zonas sospechosas, aumenta la imagen, retrocede y compara las células con el patrón del tejido. A veces el diagnóstico depende no solo de ver células anormales, sino de saber dónde buscarlas.
Esa es la idea de un nuevo estudio en Nature Biomedical Engineering sobre Pathology-CoT y Pathology-o3. Los investigadores no entrenan la IA solo con la respuesta final. Intentan entrenarla con la manera en que los patólogos buscan dentro de la lámina.
El problema
Muchos modelos de IA en patología funcionan así: reciben una imagen o tiles de la lámina y devuelven un resultado, por ejemplo benigno, maligno, metástasis presente o ausente.
El patólogo no trabaja así. Sabe qué zonas probablemente no sirven, qué áreas merecen mayor aumento y qué detalles pequeños requieren atención. Esa experiencia casi nunca está en las bases de datos. Normalmente guardamos el diagnóstico final, no el recorrido que llevó a él.
Qué hace Pathology-CoT
Pathology-CoT registra cómo un patólogo lee una WSI: movimiento, pausas, zoom y regiones que llamaron la atención.
Después convierte ese comportamiento en datos de entrenamiento. En lugar de decirle al modelo solo “este caso es positivo”, también le muestra las zonas que el patólogo revisó antes de llegar al diagnóstico.
Qué es Pathology-o3
Pathology-o3 es un agente de IA construido con esta idea. Primero propone regiones importantes dentro de la lámina y luego razona sobre ellas. Esto se parece más al flujo humano: buscar, enfocar y decidir.
Resultados principales
En la prueba interna para detección de metástasis en ganglios gastrointestinales, Pathology-o3 fue mejor que varios modelos generales. El número más práctico fue 100% de recall, es decir, no perdió casos positivos en esa prueba.
En la prueba externa LNCO2 también mantuvo buen rendimiento, con 97,6% de recall. La validación externa importa porque usa datos fuera del entorno original de entrenamiento.
En lesiones pequeñas, el modelo alcanzó 100% de recall para ITCs, micrometástasis y macrometástasis dentro de los datos del estudio. Esto no significa que esté listo para diagnóstico rutinario, pero sugiere que aprender la forma de búsqueda del patólogo puede ayudar a encontrar hallazgos sutiles en WSI grandes.
Por qué importa
Un patólogo no necesita solo un mapa de calor que diga “mira aquí”. Una herramienta útil debe explicar por qué eligió esa región, si buscó en los lugares correctos, si ignoró artefactos y si amplió la zona que realmente importa.
Si la IA aprende del comportamiento del patólogo, puede acercarse más a un asistente de workflow que a un simple modelo de puntuación.
Límites
El estudio no significa que la IA pueda reemplazar al patólogo. Tampoco significa que Pathology-o3 esté listo para uso diagnóstico rutinario.
Las tareas evaluadas fueron específicas. Para uso clínico se necesitaría validación más amplia en distintos scanners, tinciones, laboratorios y poblaciones, con reglas claras de responsabilidad.
Fuente: Wang S, Wu R, Herndon C, et al. Pathology-CoT: learning visual chain-of-thought agents from expert whole-slide image diagnosis behaviour. Nature Biomedical Engineering. Publicado el 24 de julio de 2026. DOI: 10.1038/s41551-026-01739-y.