Una IA que interpreta las tomografías pulmonares igual que lo haría un radiólogo

Cada día, los radiólogos revisan un gran volumen de tomografías computarizadas en busca de algo que podría pasar fácilmente desapercibido. Un pequeño nódulo. Una sombra apenas perceptible. Algo que podría ser un cáncer de pulmón en fase inicial o que podría no ser nada en absoluto.

El cáncer de pulmón mata a más personas en todo el mundo que cualquier otro tipo de cáncer. La supervivencia está estrechamente relacionada con la precocidad del diagnóstico. Y la carga de trabajo en la mayoría de los servicios de radiología deja poco margen para el tipo de atención constante y doble que realmente requiere la detección de una pequeña lesión sospechosa.

Un estudio que acaba de publicarse en Scientific Reports, realizado por un equipo internacional de investigación en el que participan investigadores de la Universidad Tecnológica de Kaunas (Lituania), ha desarrollado un sistema de inteligencia artificial diseñado para hacer algo con lo que las herramientas existentes han tenido dificultades de forma sistemática. Este sistema analiza la imagen de dos formas a la vez.

Cómo interpreta realmente un radiólogo una exploración

Cuando un radiólogo analiza una tomografía computarizada, cambia constantemente de perspectiva. Amplía una zona de interés para examinar los detalles más sutiles. Da un paso atrás para comprender cómo se relaciona esa zona con el pulmón en su conjunto. No se trata de una cosa u otra. Son ambas cosas, una y otra vez, a lo largo de toda la interpretación.

La mayoría de los sistemas de IA diseñados para esta tarea han tenido que optar por una de las dos opciones: o bien son buenos captando detalles locales precisos, o bien son buenos interpretando el contexto estructural más amplio. Conseguir ambas cosas a la vez ha sido un problema técnico persistente.

La solución del equipo es un modelo al que denominan C-Swin. Combina dos tipos diferentes de arquitectura de redes neuronales que funcionan conjuntamente. Una red neuronal convolucional se encarga de las características locales de gran detalle, es decir, el tipo de reconocimiento detallado de patrones que detecta pequeñas lesiones y texturas sutiles. Un Swin Transformer —una arquitectura que utiliza un enfoque de ventana móvil para analizar regiones espaciales de la imagen— se encarga del contexto más amplio. Los dos componentes funcionan en paralelo, y sus resultados se integran en lugar de procesarse de forma secuencial.

El investigador Inzamam Mashood Nasir, de la KTU, lo explica de forma sencilla. Una parte del modelo se centra en pequeños detalles, como pequeñas manchas o texturas en los pulmones, mientras que otra analiza la imagen en su conjunto y capta el panorama general. Es como tener una lupa y una vista completa de la exploración al mismo tiempo.

Lo que revelaron los resultados

El modelo se probó con el conjunto de datos IQ-OTH/NCCD, una colección de tomografías computarizadas de acceso público, clasificando las imágenes en tres categorías: normales, benignas y malignas.

Distinguir entre nódulos benignos (no cancerosos) y tumores malignos es una de las tareas más difíciles de la radiología; un error en este sentido puede dar lugar a que se pasen por alto casos de cáncer o a que se realicen biopsias invasivas innecesarias.

Los resultados fueron excelentes. C-Swin alcanzó una exactitud del 96,26 %, con una precisión del 97,48 % y una puntuación F1 del 97,42 %. En comparación con los métodos existentes, la mejora en la exactitud osciló entre el 2,31 % y el 6,81 %, dependiendo de la comparación.

En medicina, esos márgenes no son insignificantes. Un punto porcentual en la precisión diagnóstica, extrapolado a miles de pacientes y cientos de miles de exploraciones, se traduce en resultados reales.

Los investigadores se muestran cautelosos a la hora de formular sus afirmaciones. El modelo se ha entrenado con un único conjunto de datos. Aún no se ha probado con escáneres de distintos fabricantes, protocolos de obtención de imágenes o poblaciones de pacientes. Nasir es muy claro al respecto. En condiciones reales hay muchas variables, y el sistema debe someterse a pruebas en todas ellas antes de su uso clínico.

Esta salvedad no resta valor a la conclusión. Se trata de una descripción sincera de la fase en la que se encuentra una buena investigación antes de convertirse en práctica clínica. Los siguientes pasos son la validación clínica, las pruebas en entornos hospitalarios y la integración en los sistemas de diagnóstico por imagen existentes.

Por qué el momento oportuno es clave

El cáncer de pulmón sigue diagnosticándose, en la mayoría de los casos, en una fase avanzada, cuando las opciones terapéuticas son más limitadas y los resultados son más difíciles de alcanzar. La brecha entre lo que es biológicamente posible y lo que realmente llega a los pacientes a tiempo es uno de los problemas fundamentales de la oncología.

Las herramientas de IA que reducen realmente el número de casos no detectados y disminuyen las tasas de falsos positivos —lo que se traduce en un menor número de pacientes sometidos a pruebas innecesarias y en una reducción de la ansiedad que estas conllevan— abordan ambos aspectos del problema a la vez.

Nasir señala que esta arquitectura no se limita al cáncer de pulmón. Cualquier tarea de diagnóstico por imagen que requiera tanto un análisis local detallado como una comprensión estructural más amplia podría beneficiarse de este mismo enfoque. Se mencionan como posibles aplicaciones los tumores cerebrales, el cáncer de mama y las enfermedades oculares.

El panorama general

Esta semana, el director ejecutivo de Google DeepMind, Demis Hassabis, concedió dos entrevistas importantes: una en el podcast «20VC» con Harry Stebbings y otra con la divulgadora científica Cleo Abram, en las que abordó su visión sobre lo que la IA puede aportar a la medicina. Su mensaje constante fue que la labor más importante de la IA no reside en los productos de consumo, sino en la lucha contra las enfermedades. Ha hablado de su deseo de que el proceso de descubrimiento de fármacos, que actualmente dura una década, se reduzca a unos pocos meses. Sobre que la IA llegue a un punto en el que la medicina ya no se parezca en nada a lo que es hoy en día.

El artículo sobre C-Swin no tiene ese nivel de ambición. Se trata de un modelo, un conjunto de datos y un conjunto de resultados cuidadosamente delimitado que espera su validación clínica. Pero así es precisamente como se recorre el camino que nos separa de ese objetivo. No a grandes zancadas, sino mediante estudios como este, realizados con esmero, publicados de forma abierta y sobre los que se basa el siguiente equipo.

Cada vez se conoce mejor la biología del cáncer de pulmón. Los tratamientos están empezando a adaptarse a ello. Y ahora, poco a poco, también lo hace el sistema de detección.

Fuente: Yousafzai SN, Nasir IM, Mansour S et al. Un enfoque híbrido de aprendizaje profundo que integra una red neuronal convolucional (CNN) y un transformador para la clasificación del cáncer de pulmón a partir de tomografías computarizadas. Scientific Reports. 2026. doi:10.1038/s41598-026-41161-7

Imagen: Ilustración generada por IA