Una IA lee biopsias rutinarias de mama y predice la recaída casi tan bien como las pruebas genómicas de miles de dólares

Por Pharmacy Times · 9 de julio de 2026.

Un equipo liderado por Krzysztof J. Geras, del Centro de Ciencia de Datos de la Universidad de Nueva York, ha publicado en Nature Communications un modelo de inteligencia artificial multimodal capaz de estimar el riesgo de recurrencia del cáncer de mama a partir de las mismas laminillas de patología teñidas con hematoxilina-eosina que cualquier hospital genera de forma rutinaria, combinadas con variables clínicas básicas (estadio, edad, receptores hormonales, HER2 y subtipo histológico). El sistema se entrenó con 8.161 pacientes de 15 cohortes en 7 países y se validó externamente en 3.502 pacientes de 5 cohortes independientes, donde alcanzó un índice de concordancia (C-index) agrupado de aproximadamente 0,71 y separó con claridad a los pacientes de alto y bajo riesgo, con una razón de riesgo de 3,63 para la recurrencia.

El dato que más interesa a oncología es la comparación directa con Oncotype DX, la prueba genómica de 21 genes que hoy guía buena parte de las decisiones de quimioterapia adyuvante en cáncer de mama con receptores hormonales positivos y HER2 negativo. En 858 pacientes evaluadas con ambos métodos, la IA obtuvo un C-index de 0,67 frente a 0,61 de Oncotype DX —numéricamente superior, aunque con intervalos de confianza que se solapan, algo que conviene no minimizar—. Más relevante aún: entre las pacientes con puntuación intermedia de Oncotype DX, la zona gris donde la decisión clínica es más difícil, la IA reclasificó a cerca del 80% como bajo riesgo y a cerca del 20% como alto riesgo, lo que podría afinar de forma notable a quién se administra quimioterapia y a quién no. El modelo, además, mantuvo su capacidad predictiva en cáncer de mama triple negativo y HER2 positivo, subtipos para los que hoy no existe ningún test genómico recomendado por las guías NCCN.

Técnicamente, el sistema se apoya en aprendizaje autosupervisado sobre millones de fragmentos de imagen de patología, lo que le permite extraer patrones morfológicos relevantes sin depender de que un humano etiquete manualmente cada muestra a mano. Es la misma familia de técnicas que ha impulsado los avances de la IA generativa en otros dominios, aplicada aquí a un problema con datos escasos y caros de anotar como es la histopatología oncológica.

Nuestra lectura: esta noticia es un ejemplo casi de manual de cómo la IA puede empezar a mover la aguja en medicina sin necesitar ningún avance de cómputo espectacular, sino simplemente extrayendo más señal de datos que los hospitales ya generan. Oncotype DX y pruebas genómicas similares son caras, tardan semanas y consumen tejido tumoral que podría reservarse para otros análisis; un test que lee la misma laminilla que ya mira el patólogo y devuelve un resultado en horas, a una fracción del coste, no sustituye la ciencia molecular, pero democratiza el acceso a una estratificación de riesgo que hoy depende de que el sistema sanitario del paciente pueda pagar y esperar. Eso importa especialmente fuera de los grandes centros oncológicos de países ricos, y conecta directamente con la tesis de fondo que defendemos en Zendoric: la IA aplicada a diagnóstico no promete solo mejores herramientas para quien ya tiene acceso, sino la posibilidad de extender diagnósticos de calidad a quien hoy no los tiene, un paso concreto hacia una medicina más abundante y menos dependiente del poder adquisitivo.

Dicho esto, hay que ser honestos sobre los límites de lo que hoy sabemos. Los propios autores señalan que se necesita validación en ensayos clínicos aleatorizados antes de que este test pueda usarse para decidir tratamientos reales, y los intervalos de confianza solapados frente a Oncotype DX significan que, estadísticamente, todavía no se puede afirmar con rotundidad que la IA sea superior, solo que compite de tú a tú. Es la distinción que conviene aplicar siempre a estos anuncios: hay una diferencia entre una capacidad demostrada en cohortes retrospectivas —por sólidas que sean, aquí con datos de 7 países— y una herramienta lista para cambiar el manejo clínico de una paciente con cáncer de mama. La cobertura de subtipos como el triple negativo y el HER2 positivo, donde hoy no existe alternativa genómica alguna, es probablemente el hallazgo más prometedor a corto plazo, precisamente porque ahí la IA no compite con nada, solo llena un vacío.

Si la validación prospectiva confirma estos resultados, el impacto en la práctica oncológica sería doble: pondría presión de precio sobre el mercado de pruebas genómicas propietarias, y ampliaría el número de pacientes que hoy quedan fuera de cualquier estratificación de riesgo objetiva más allá del criterio clínico. Ese es el patrón que venimos observando en salud y diagnóstico con IA: los avances más sólidos no son los que prometen sustituir al médico, sino los que toman datos ya existentes —una biopsia, una radiografía, un historial— y extraen de ellos información que antes exigía otro test caro y lento. Es un progreso incremental, verificable y, si se confirma en ensayos, con recorrido real hacia esa oncología de precisión accesible para todos que consideramos parte del horizonte de largo plazo de esta tecnología.