Una IA “plug and play” reconoce 18 tipos de cáncer a partir de unas pocas laminillas

La mayoría de las herramientas de IA médica comparten una limitación tenaz: se entrenan para una tarea específica en un hospital específico, y llevarlas a una nueva institución, sistema de imagen o población de pacientes suele exigir reentrenarlas desde cero. Esa fragilidad es una razón por la que modelos diagnósticos potentes rara vez llegan a las clínicas que más los necesitan. Un sistema descrito en Nature Cancer en abril de 2026 adopta otro enfoque.

Llamado PRET, el sistema fue creado por un equipo de investigación liderado por la profesora Li Xiaomeng, de la Universidad de Ciencia y Tecnología de Hong Kong, en colaboración con el Hospital Popular Provincial de Guangdong y la Escuela de Medicina de Harvard. Su idea central está tomada de los modelos de lenguaje que impulsan los chatbots modernos: el “aprendizaje en contexto”. En lugar de ajustarse para cada nueva tarea, PRET se adapta al instante observando solo de una a ocho laminillas de ejemplo anotadas de un tipo de cáncer que no ha visto antes, igual que una persona aprende una categoría nueva a partir de unos pocos ejemplos.

“Esa fragilidad es una razón por la que modelos diagnósticos potentes rara vez llegan a las clínicas que más los necesitan.”

El rendimiento se sostuvo en una evaluación exigente que abarcó 18 tipos de cáncer y 23 conjuntos de datos de referencia internacionales de instituciones de China continental, Estados Unidos y los Países Bajos. El área bajo la curva de PRET — medida estándar de precisión diagnóstica — superó el 97% en 15 tareas, alcanzando el 100% en el cribado de cáncer colorrectal y el 99,54% en la segmentación del carcinoma epidermoide de esófago. En la detección de metástasis en ganglios linfáticos logró un AUC de cerca del 98,71% usando solo ocho laminillas de referencia, superando la media de 11 patólogos, cuyo AUC promedió alrededor del 81%.

El valor práctico reside precisamente en esa flexibilidad. Un único sistema adaptable, que un hospital pueda dirigir a un nuevo tipo de cáncer sin un costoso proyecto de reentrenamiento, podría poner un apoyo de patología de nivel experto al alcance de laboratorios más pequeños y de regiones con pocos patólogos especialistas. En lugar de reemplazar a los patólogos, una herramienta así podría encargarse del cribado de rutina y señalar los casos difíciles para revisión humana, liberando a los expertos para actuar donde su juicio más importa.

Como con cualquier resultado de referencia, el salto al diagnóstico cotidiano exigirá validación prospectiva en flujos clínicos reales y una supervisión cuidadosa para asegurar que la herramienta funcione de forma justa en distintas poblaciones y métodos de preparación de tejidos. Pero la filosofía de diseño es discretamente importante: una IA que aprende con pocos ejemplos, en vez de exigir una montaña de datos específicos de cada institución, es justo el tipo de herramienta que puede llegar adonde la atención es más escasa.