IA que lee lo invisible en una biopsia: Stanford predice el ecosistema del tumor sin encarecer el diagnóstico

Por Stanford Medicine · 6 de julio de 2026.

Cada paciente que pasa por una biopsia o una extirpación de tumor genera una lámina H&E: el tejido teñido de rosa y morado que los patólogos llevan más de un siglo mirando bajo el microscopio. Es el estándar de oro del diagnóstico, pero también una fuente de información radicalmente infrautilizada: esa lámina esconde, sin mostrarlo, cómo interactúan entre sí las células cancerosas, las inmunitarias y las del estroma que rodean al tumor. Conocer esas "conversaciones" celulares importa porque predice cosas muy concretas: cómo de agresivo será el cáncer y si responderá a una inmunoterapia. El problema es que medirlas de verdad requiere una técnica llamada CODEX —desarrollada en el propio Stanford por el laboratorio de Garry Nolan—, capaz de detectar decenas de proteínas y tipos celulares con un mapa espacial de precisión, pero lenta y cara, inviable para aplicarla a gran escala en la práctica clínica diaria.

El equipo de Ruijiang Li, publicado el 16 de junio en la revista Cell, ha entrenado una IA llamada CANVAS para saltarse ese cuello de botella: en lugar de correr CODEX en cada paciente, la IA aprende a inferir esas mismas neighborhoods celulares directamente de la lámina H&E barata y universal. Para lograrlo construyeron un atlas de más de 18 millones de células de 457 pacientes con cáncer de pulmón no microcítico, superponiendo los resultados de CODEX sobre las imágenes de microscopio célula a célula, y se apoyaron en MUSK, un modelo previo del mismo laboratorio entrenado con 50 millones de imágenes patológicas y más de mil millones de fragmentos de texto médico. El resultado son 10 "vecindarios celulares" discretos, cada uno definido no solo por qué células hay y dónde, sino por qué proteínas producen y qué señales se envían entre ellas —algunos con perfil inmunosupresor, otros asociados a vasos sanguíneos o al núcleo del tumor.

Lo más relevante desde el punto de vista clínico llegó al validar el modelo en más de 5.000 pacientes con nueve tipos de cáncer distintos: uno de esos vecindarios, rico en neutrófilos que expresan proteínas facilitadoras de metástasis, se correlaciona con peor pronóstico y menor respuesta a inmunoterapias como los anti-PD-1. Y aquí está el dato que convierte esto en algo más que ciencia básica: según los investigadores, la presencia de ese vecindario predijo la respuesta a inmunoterapia con más precisión que los criterios que se usan hoy para decidir si un paciente es candidato a ese tratamiento. Es decir, el modelo no solo describe biología, apunta a mejorar una decisión clínica real —a quién tratar y con qué— usando una imagen que ya existe en el expediente de cualquier paciente oncológico.

Nuestra lectura es que este trabajo encarna con particular nitidez la tesis de fondo del optimismo de largo plazo sobre la IA en medicina: no se trata de sustituir al patólogo ni de inventar un dato nuevo, sino de extraer el máximo valor de información que ya se genera de forma rutinaria y que hasta ahora se leía de forma incompleta. Ese patrón —convertir un dato barato y universal (una foto de microscopio) en un proxy de un dato caro y escaso (un mapa proteómico completo)— es replicable en muchas otras áreas de la medicina, y es probablemente uno de los caminos más realistas hacia la abundancia diagnóstica: no todo el mundo tendrá acceso a un laboratorio con CODEX, pero casi cualquier hospital del planeta ya produce láminas H&E. Si herramientas como CANVAS demuestran robustez en ensayos clínicos, el techo de calidad diagnóstica que hoy solo alcanzan centros de referencia como Stanford, el Broad Institute o MD Anderson podría acercarse a hospitales con muchos menos recursos.

Dicho esto, conviene mantener los pies en el suelo sobre los tiempos: los propios autores subrayan que el siguiente paso es validar CANVAS en ensayos clínicos prospectivos, algo que en oncología suele tomar años, no meses, y que exige demostrar no solo correlación sino utilidad real cambiando decisiones de tratamiento con seguridad. Además, un modelo entrenado principalmente sobre cáncer de pulmón no microcítico, aunque extendido después a nueve tipos tumorales, necesitará escrutinio adicional en poblaciones y contextos hospitalarios diversos antes de convertirse en herramienta de rutina. La honestidad de corto plazo aquí es simple: esto es un avance de investigación con datos sólidos de correlación, no todavía un producto clínico aprobado que cambie mañana la práctica en consulta. Pero la dirección —usar la IA para leer capas de biología invisibles al ojo humano en datos que ya existen— es exactamente el tipo de progreso silencioso y acumulativo que, sumado durante años, va limando la brecha entre lo que la medicina puede diagnosticar hoy y lo que necesitaría para tratar el cáncer con la precisión que promete la abundancia de largo plazo.