Los algoritmos de inteligencia artificial (IA) se utilizan cada vez más en el diagnóstico médico. Sin embargo, su potencial aún está infrautilizado en gran medida en muchas áreas. Un proyecto colaborativo entre el Hospital Universitario de Erlangen (UKER) de la Universidad Friedrich-Alexander de Erlangen-Núremberg (FAU) y el Hospital Gravina de Caltagirone (Italia) demuestra que existe otra vía. Los participantes demuestran cómo la IA puede integrarse a la perfección en la rutina clínica diaria de un departamento de patología totalmente digitalizado. Los resultados se han publicado en la revista Genome Medicine.
Cada año, más de 1,4 millones de personas en Alemania reciben tratamiento hospitalario por cáncer. Si el tumor se extirpa quirúrgicamente, el tejido extirpado suele ser examinado por un patólogo: ¿De qué tipo de cáncer se trata? ¿Es maligno el tumor? ¿Debe utilizarse quimioterapia como medida de apoyo y, de ser así, qué medicamentos deben administrarse?
Los algoritmos de IA pueden ayudar a los patólogos con estas preguntas, por ejemplo, al identificar áreas malignas en muestras de tejido digitalizadas. Sin embargo, su potencial a menudo sigue estando infrautilizado. Esto se debe en parte a la metodología del examen: mientras que una resonancia magnética (RM) o un ecógrafo producen imágenes digitales que pueden ser evaluadas directamente por una IA, esto es diferente con una sección de tejido. «Hasta la fecha, el examen se ha realizado habitualmente bajo microscopio», explica la Dra. Fulvia Ferrazzi, directora del grupo de trabajo de Bioinformática y Patología Computacional del Departamento de Nefropatología (Jefa: Prof. Dra. Kerstin Amann) y del Instituto de Patología (Director: Prof. Dr. Arndt Hartmann) del UKER. «La digitalización de muestras histopatológicas en imágenes de alta resolución sigue siendo la excepción».
El Departamento de Patología (Director: Dr. Filippo Fraggetta) del Hospital Gravina de Caltagirone, Italia, ha avanzado mucho en este aspecto: ahora todos los cortes de tejido se digitalizan allí de forma rutinaria. «Así que el problema no es la disponibilidad de datos digitales», afirma Miriam Angeloni, estudiante de doctorado del grupo de investigación de Ferrazzi. «Sino que no ha habido una forma de analizar automáticamente estos datos mediante modelos de aprendizaje profundo». Por lo tanto, las herramientas de IA aún no se integran de forma rutinaria en el diagnóstico clínico. «Hemos investigado cómo podemos simplificar el uso de estas herramientas».
¿Cómo funciona un departamento de patología totalmente digitalizado?
Cuando una muestra de tejido llega al laboratorio de patología del Hospital Gravina, se somete a varias etapas de procesamiento. Primero, se suelen cortar varias secciones extremadamente finas, se montan en placas de vidrio delgadas y se tiñen con diversos productos químicos. A continuación, se crean imágenes digitales de alta resolución de estas secciones. El personal puede acceder a estas imágenes directamente a través del sistema de información del laboratorio (LIS). El diagnóstico se realiza entonces en un monitor de computadora, en lugar de bajo un microscopio, como se suele hacer.
En el proyecto colaborativo, los investigadores han desarrollado un proceso que integra automáticamente el análisis de IA en este flujo de trabajo: en cuanto llegan nuevos escaneos al LIS, toda la información necesaria para el análisis se transmite automáticamente a un servidor con diversos modelos de IA. Allí, se seleccionan los algoritmos adecuados según el método de tinción utilizado y el tejido del que se obtuvo la muestra. Además de este flujo de trabajo estándar, los patólogos también tienen la opción de solicitar un análisis a demanda directamente al LIS.
Una mejor integración también debería ayudar a mejorar la precisión de los algoritmos.
Los resultados de la evaluación se retroalimentan al LIS, donde las predicciones de los algoritmos pueden visualizarse como «mapas de calor». Estas superposiciones de color pueden utilizarse, por ejemplo, para resaltar regiones cancerosas en la sección de tejido digitalizada.
«Junto con nuestros colaboradores, también queremos utilizar el flujo de trabajo desarrollado para validar clínicamente los modelos de aprendizaje profundo integrados», explica Fulvia Ferrazzi. El objetivo es mejorar aún más la precisión de los algoritmos en el futuro. «También esperamos que nuestro proyecto colaborativo pueda promover la integración de modelos de aprendizaje profundo en el diagnóstico rutinario en otros departamentos de patología».
* DOI: https://doi.org/10.1186/s13073-025-01484-y
FAU News. Traducido al español
