Una revisión compara cinco herramientas de inteligencia artificial para analizar el tejido tumoral y concluye que Cellpose obtuvo la mejor concordancia con los expertos en la mayoría de las comparaciones. El trabajo, de investigadores de Skoltech, la Universidad de Sharjah y la Universidad de Tokai, se publicó en acceso abierto en Discover Artificial Intelligence.

Cada cáncer, una pregunta distinta

La revisión examina cómo los algoritmos de visión por computador identifican características del tejido en cáncer de pulmón, mama, colorrectal y próstata. Al analizar un corte digitalizado, los patólogos valoran la forma de las células y los núcleos, la disposición de las células tumorales e inmunitarias y los límites entre el tumor y el tejido vecino, y la visión por computador permite cuantificar estos rasgos y compararlos entre regiones.

Lo que interesa depende de la pregunta clínica: en el cáncer de pulmón, determinar el subtipo según la estructura del tejido; en el de mama, evaluar la estructura y el número de receptores, proteínas que ayudan a elegir el tratamiento; en el colorrectal, dónde están las células inmunitarias respecto a los focos tumorales; y en el de próstata, encontrar pequeños focos malignos en una biopsia.

Cinco herramientas frente a las anotaciones de expertos

Los autores compararon cinco herramientas en imágenes públicas de cuatro tipos de cáncer, contrastando las regiones que cada una identificaba con las anotaciones de expertos de los núcleos celulares, con ajustes estándar y sin adaptarlas a cada conjunto de datos. Cellpose y StarDist usan aprendizaje profundo; CellProfiler e Icy se basaron en umbrales de intensidad de píxeles y podían marcar como núcleos regiones adicionales; Ilastik, entrenada con pocos ejemplos, fusionó en ocasiones núcleos adyacentes.

Cellpose logró la mayor puntuación media de Dice, que mide la coincidencia con la anotación experta (1 es acuerdo total), en cuatro de seis comparaciones. En imágenes de cáncer de colon, Cellpose y StarDist obtuvieron 0,74. En cáncer de mama triple negativo con baja densidad celular, StarDist logró 0,84 y Cellpose 0,82. StarDist a veces omitió núcleos en tejido muy denso.

Del laboratorio a la clínica

Los autores recomiendan examinar qué regiones de la imagen contribuyen al resultado del modelo, por ejemplo para que el patólogo compruebe si resalta las estructuras usadas para el grado del tumor en próstata, y evaluar su utilidad clínica con estudios en varios centros y su efecto en las decisiones de los patólogos. Svetlana Illarionova, primera autora, insiste en empezar por la pregunta que debe responder el médico y no por el algoritmo, y en verificar la fiabilidad con material de distintos laboratorios, teñido y escaneado de maneras diferentes.

La IA también se aplica a otras áreas de la medicina; hemos hablado de cómo la IA mide la fracción de eyección en resonancias cardíacas y de la IA que analiza el electrocardiograma para predecir la muerte súbita.

Se trata de una revisión comparativa en imágenes públicas, no de una validación clínica: ninguna de estas herramientas sustituye al diagnóstico del patólogo.

Fuente: Skoltech, revisión en Discover Artificial Intelligence (DOI 10.1007/s44163-026-02592-3), según informó Medical Xpress.