¿Sabías que un equipo de investigadores japoneses acaba de resolver uno de los mayores problemas de la IA médica?

Hasta ahora, los sistemas de IA para la predicción del cáncer se topaban con una limitación frustrante: entrenar una IA en un hospital podía traducirse en un rendimiento deficiente en otro. A eso se sumaba el reto de los distintos tipos de muestra, pequeñas biopsias frente a grandes especímenes quirúrgicos, lo que da lugar a lo que los investigadores llaman el problema del "doble cambio de dominio". Un equipo japonés ha logrado resolver ambos retos con un enfoque que podría transformar la atención del cáncer en todo el mundo.

El problema del cambio de dominio en la IA médica

Las imágenes de patología varían de forma sutil entre hospitales. Los distintos equipos, métodos de tinción y condiciones de captura generan variaciones que confunden a los sistemas de IA. Un algoritmo entrenado con datos de una institución a menudo tiene dificultades cuando se aplica a muestras de otra.

Además, las biopsias preoperatorias y los especímenes completos posquirúrgicos aportan cantidades de información muy distintas. Las biopsias son pequeñas muestras tomadas con aguja, mientras que los especímenes quirúrgicos permiten examinar el órgano entero. Estas diferencias han hecho extremadamente difícil construir sistemas de IA que funcionen de forma fiable en distintos entornos clínicos.

Este problema del "cambio de dominio" ha sido la mayor barrera para desplegar la IA médica en la práctica asistencial real.

La innovación de la "puntuación de razonamiento intermedio"

Un equipo de investigación del RIKEN, la Escuela de Medicina de la Universidad Nippon (Nippon Medical School) y la Universidad de Tohoku ha desarrollado una solución a este desafío.

Los enfoques tradicionales de IA intentaban predecir directamente resultados como la recurrencia del cáncer a partir de las imágenes de patología. Sin embargo, con datos limitados, ese proceso de aprendizaje se vuelve inestable. Por el contrario, los sistemas de clasificación médica establecidos, como la clasificación de Gleason, son fiables pero demasiado toscos para aprovechar plenamente las capacidades de la IA.

El avance del equipo fue crear una "puntuación de razonamiento intermedio" que combina lo mejor de ambos mundos. Esta puntuación utiliza el conocimiento médico como base y, al mismo tiempo, incorpora información más detallada: en esencia, un "hito orientador" que ayuda a la IA a aprender de forma más estable.

Al encaminar las predicciones a través de este paso intermedio, la IA logra un rendimiento consistente entre distintos hospitales y tipos de muestra.

Validación en tres hospitales universitarios

El equipo validó su enfoque con datos de pacientes con cáncer de próstata de tres hospitales universitarios japoneses: el Hospital de la Escuela de Medicina de la Universidad Nippon, el Hospital de la Universidad Médica de Aichi y el Hospital de la Universidad Juntendo.

Los resultados, medidos con el AUROC (área bajo la curva característica operativa del receptor, donde los valores más cercanos a 1 indican mayor precisión), fueron notables.

Con los métodos convencionales, que usan directamente los perfiles patológicos, la precisión de predicción oscilaba entre 0,60 y 0,70 según la institución.

Con la puntuación de razonamiento intermedio, la precisión mejoró en todos los centros: 0,741 en la Universidad Nippon, 0,755 en la Universidad Médica de Aichi y 0,779 en la Universidad Juntendo.

Al combinar esto con los valores del análisis de sangre del PSA (antígeno prostático específico), la precisión llegó hasta un máximo de 0,805.

A modo de comparación, la clasificación de Gleason, utilizada en todo el mundo, alcanzó solo entre 0,60 y 0,68 en estas cohortes. El nuevo método supera con claridad este estándar clínico de larga trayectoria.

Detalles técnicos: Vision Transformer y aprendizaje profundo

La investigación extrajo unos 3,5 millones de fragmentos (parches) de imagen de los especímenes completos posquirúrgicos y entrenó un modelo de aprendizaje profundo Vision Transformer (ViT) para aprender las características histopatológicas.

Estas características aprendidas se aplicaron después a las biopsias preoperatorias (unos 52 millones de parches entre las tres instituciones) para crear "perfiles patológicos", representaciones numéricas de qué características aparecen y en qué proporción en cada caso.

Un punto clave es que la información clínica, como el estado de recurrencia, solo se utiliza durante el entrenamiento para orientar el sistema de puntuación. Durante la predicción real no se necesita información clínica adicional, lo que hace el sistema práctico para nuevos pacientes.

Avanzar hacia la equidad en la atención médica

La importancia de esta investigación va más allá de la mejora de la precisión.

A diferencia de campos en los que se pueden reunir conjuntos de datos enormes, como ocurre con los grandes modelos de lenguaje, el desarrollo de la IA médica se enfrenta a menudo a serias limitaciones de datos. Este nuevo enfoque permite predicciones estables incluso con datos limitados, lo que podría hacer que los diagnósticos avanzados con IA sean accesibles para hospitales más pequeños y comunidades desatendidas que carecen de recursos para recopilar grandes conjuntos de datos.

El Dr. Yoichiro Yamamoto, director de equipo en el RIKEN y profesor de la Universidad de Tohoku, subrayó las implicaciones para la equidad: "Esto contribuye a hacer realidad un futuro en el que todos puedan recibir atención médica de alta calidad por igual, con independencia de las diferencias regionales o del tamaño del centro".

Perspectivas de futuro

El equipo tiene previsto validar el enfoque en poblaciones de pacientes más diversas. También trabaja para comprender el significado biológico de los hallazgos descubiertos por la IA, con posibles aplicaciones en la identificación de nuevas dianas terapéuticas y en la aceleración del desarrollo de fármacos.

La investigación se publicó en npj Digital Medicine el 7 de enero de 2026. El código se ha puesto a disposición pública en GitHub, lo que permite a investigadores de todo el mundo verificar y ampliar este trabajo.

En Japón, la investigación sobre la predicción del pronóstico del cáncer asistida por IA avanza de forma constante. El enfoque de fusionar el conocimiento médico con la tecnología de IA, guiado por el principio de "una atención de calidad uniforme en cada hospital", podría servir de modelo para el desarrollo de la IA médica a escala mundial.

¿Cómo avanzan la investigación y la aplicación de la IA médica en tu país? ¿Qué esperanzas o inquietudes tienes sobre el uso de la IA en el tratamiento del cáncer? ¡Nos encantaría conocer tu perspectiva en los comentarios!

Referencias