Una IA entrenada con biopsias detecta el 94% de los cánceres de próstata incidentales en tejido de cirugía: su valor está en descartar

Por Bioengineer.org · 7 de noviembre de 2026.

Un algoritmo de IA comercial, entrenado originalmente con biopsias de aguja de próstata, detectó 33 de los 35 adenocarcinomas incidentales (tumores hallados por casualidad) en muestras de cirugía prostática. Es una sensibilidad del 94,3%, según un estudio retrospectivo publicado en Diagnostic Pathology.

El estudio analizó 3.241 imágenes de lámina completa (escaneos digitales de las muestras) de 368 pacientes consecutivos, tratados entre mayo de 2023 y diciembre de 2025. De ellos, 247 pasaron por HoLEP (enucleación prostática con láser de holmio) y 121 por TURP (resección transuretral de la próstata). Ambas técnicas se usan para tratar la hiperplasia benigna de próstata, y en ocasiones sacan a la luz un cáncer que nadie buscaba. El algoritmo, proporcionado por Virasoft, se aplicó sobre láminas teñidas con hematoxilina-eosina y escaneadas a ×20.

Los números, según los autores:

• Sensibilidad global: 94,3%. En TURP, 100% (9 de 9); en HoLEP, 92,3%. • Especificidad global: 76,0%, es decir, bastantes falsos positivos. • Valor predictivo positivo (VPP): 29,2%. Solo unos tres de cada diez casos marcados eran cáncer real. • Valor predictivo negativo (VPN): 99,2%. Si el algoritmo no marca nada, es muy improbable que haya tumor. • Área bajo la curva ROC de 0,89 a nivel de caso.

Hay un dato útil para el uso práctico. La tasa de malignidad subía con el número de láminas marcadas: del 0,8% en casos sin ninguna a 44,4% con tres o más.

Los dos falsos negativos fueron adenocarcinomas de bajo volumen y Grupo de Grado 1 (los menos agresivos), que ocupaban en torno al 2% y al 5% del tejido, con PSA de 3,1 y 4,2 ng/mL. Los falsos positivos se asociaron a glándulas benignas apiñadas, hiperplasia de células basales, artefactos de cauterización y tejido fragmentado o inflamado, sobre todo en HoLEP, donde el láser deja daño térmico.

**Nuestra lectura.** La tesis es que este resultado vale más como filtro que como diagnóstico. Con un VPP del 29%, nadie debería dejar que esta herramienta firme un cáncer. Pero con un VPN del 99,2%, puede decirle al patólogo qué láminas puede revisar con menos urgencia. En las muestras de TURP y HoLEP, formadas por muchísimos fragmentos repartidos en varias láminas, ese ahorro de carga microscópica es real. Los autores plantean precisamente este uso de triaje.

Lo más interesante es la generalización. El modelo se entrenó con biopsias, un tejido ordenado y bien conservado, y aun así funcionó razonablemente en un tejido fragmentado y quemado por láser. Es una señal de que estos modelos aprenden rasgos morfológicos del cáncer y no solo el formato de la muestra. Aun así, la especificidad cae en HoLEP, justo donde el artefacto es mayor, así que la robustez es parcial.

Hay límites que conviene tener presentes. El estudio es retrospectivo, de un solo centro y con solo 35 casos positivos, lo que hace frágiles los porcentajes de los subgrupos (los 9 casos de TURP no sostienen un «100%» robusto). Tampoco midió cómo trabajan juntos patólogo e IA ni cuánto tiempo se ahorra: esa ventaja se infiere del VPN, no se ha demostrado. Los propios autores piden validación multicéntrica con distintos escáneres y protocolos de tinción antes de un uso clínico amplio.

En general, la patología digital es de los terrenos donde la IA médica más cerca está de aportar valor cotidiano: tareas repetitivas, de alto volumen y con un humano que valida. Encaja con la tesis de largo plazo que defendemos en Zendoric. Herramientas así no sustituyen al especialista, le quitan el trabajo tedioso para que dedique su criterio a los casos difíciles, y eso se traduce en diagnósticos más tempranos y más fiables. El camino pasa por la prueba prospectiva y la supervisión humana, no por el titular de sensibilidad.