Una IA que no necesita más pruebas: así afina La Trobe el riesgo de recaída en cáncer colorrectal en fase II

Por Zendoric · 28 de julio de 2026.

Un equipo de La Trobe University (Australia) ha desarrollado SÉMIL (Semantically-Enhanced Multiple Instance Learning), un sistema de inteligencia artificial que predice el riesgo de recaída en pacientes con cáncer colorrectal en estadio II —tumores localizados, sin afectación de ganglios linfáticos ni metástasis a distancia, pero con un riesgo de recurrencia que varía mucho de un paciente a otro—. El trabajo, publicado en Gastroenterology, analizó más de 1.600 láminas de patología y validó el modelo en 1.220 pacientes repartidos en tres cohortes independientes de distintas instituciones australianas, según los propios autores del estudio.

La particularidad de SÉMIL no está en el dato que usa, sino en cómo lo usa. En lugar de exigir nuevos biomarcadores o tomas de tejido adicionales, el modelo aprende de dos fuentes que cualquier hospital ya genera de forma rutinaria: las imágenes digitalizadas de las láminas de patología y las descripciones textuales que el patólogo redacta al analizarlas. Esa integración "semántica" —cruzar imagen y texto clínico— permite al algoritmo interpretar los rasgos del tumor sin perder el contexto que aporta el lenguaje profesional del especialista.

Técnicamente, el sistema se apoya en el "aprendizaje por instancias múltiples" (multiple instance learning), una técnica pensada para imágenes gigantescas como las de patología digital: en vez de exigir que cada fragmento microscópico esté etiquetado a mano, el modelo aprende del conjunto completo de la muestra y solo necesita una etiqueta global por caso. Con eso, SÉMIL evalúa en particular el llamado "frente invasivo" del tumor, el borde donde las células cancerosas penetran en el tejido sano; una zona que la investigación considera clave para pronosticar recaídas pero que, según el propio estudio, los patólogos etiquetan con poca consistencia entre sí porque los patrones de crecimiento son sutiles y en parte subjetivos.

El resultado práctico es una clasificación de cada tumor en riesgo alto o bajo que sirve para decidir el tratamiento tras la cirugía. Es una decisión con peso real: las guías clínicas australianas actuales reservan la quimioterapia adyuvante para los pacientes de estadio II de alto riesgo, así que afinar esa frontera significa, en teoría, dar quimioterapia a quien de verdad la necesita y ahorrarle sus efectos secundarios a quien no se beneficiaría. Los propios investigadores son claros con el límite de su herramienta: el sistema añade "una capa adicional de información" para el clínico, no sustituye su criterio, y el modelo produjo las estimaciones más precisas precisamente cuando sus valoraciones coincidieron con las de patólogos expertos.

En general, buena parte de la IA médica lleva años prometiendo saltos de este tipo y tropezando en la validación: modelos que funcionan bien en el hospital donde nacieron y pierden precisión en cuanto se prueban en otro centro, con otro escáner, otro protocolo, otra población. Que SÉMIL se haya probado en tres cohortes independientes —no solo en el conjunto donde se entrenó— es la parte que de verdad importa: es la diferencia entre una prueba de concepto y una herramienta con alguna posibilidad real de llegar a la práctica clínica. Sigue siendo, eso sí, una validación retrospectiva sobre datos ya existentes; el paso que falta, y no es menor, es demostrar en un ensayo prospectivo que usar SÉMIL para decidir la quimioterapia cambia realmente los desenlaces de los pacientes, y conseguir el aval regulatorio necesario para ello.

Lo que más nos interesa de este caso, más allá del cáncer colorrectal, es el patrón de fondo: no hace falta inventar una prueba nueva ni un biomarcador exótico para mejorar la medicina de precisión; a veces basta con extraer mejor la señal que ya duerme en los archivos de patología de cualquier hospital. Es una vía barata y escalable —no exige comprar secuenciadores ni rediseñar el flujo de trabajo clínico, solo reprocesar con IA lo que ya se digitaliza— y encaja con la tesis de fondo que manejamos en Zendoric sobre la IA en salud: el camino hacia domesticar enfermedades como el cáncer no pasa solo por fármacos nuevos, sino por exprimir con más inteligencia los datos clínicos que ya generamos por millones cada año. El patólogo, de momento, no desaparece de la ecuación; gana un asistente que le ayuda a decidir con más certeza justo en el margen donde más se equivoca el ojo humano.