La biopsia del futuro: cuando la inteligencia artificial ve más allá del microscopio

Comparte esto:

Durante más de un siglo, el microscopio fue una de las herramientas fundamentales de la medicina. La observación de fragmentos de tejido permitió reconocer enfermedades, distinguir tumores benignos de malignos y comprender muchas de las alteraciones que ocurren en nuestras células. Con el tiempo, a las tinciones convencionales se sumaron la inmunohistoquímica, las técnicas moleculares y la secuenciación genética, que hoy resultan indispensables para caracterizar numerosos tumores y seleccionar tratamientos.

Sin embargo, el procedimiento básico de la anatomía patológica sigue siendo reconocible: obtener una muestra, procesarla, teñirla, colocarla sobre un portaobjetos y examinarla. Lo que está cambiando es nuestra capacidad para interpretar la información contenida en esas imágenes.

La inteligencia artificial (IA) está abriendo una posibilidad que hasta hace pocos años parecía difícil de imaginar. ¿Y si una biopsia convencional contuviera información sobre las características moleculares de un tumor que todavía no somos capaces de identificar a simple vista?

Diversos grupos de investigación están desarrollando algoritmos capaces de reconocer patrones asociados con mutaciones, biomarcadores y comportamiento tumoral a partir de imágenes histológicas. Algunas de estas herramientas ya se utilizan para asistir a los patólogos en tareas específicas, mientras otras buscan anticipar resultados que tradicionalmente requieren estudios moleculares.

La promesa es considerable, especialmente cuando las biopsias son pequeñas, los recursos diagnósticos son limitados o las determinaciones especializadas demoran demasiado. Incluso en Argentina existen startups que están desarrollando estas tecnologías.

Pero conviene establecer una diferencia desde el comienzo: que un algoritmo pueda predecir una alteración molecular no significa que haya demostrado su presencia. Y obtener buenos resultados en una investigación tampoco significa que una herramienta esté preparada para utilizarse en decisiones clínicas.

Del portaobjetos de vidrio a la imagen digital

El primer paso de esta transformación no es la inteligencia artificial, sino la digitalización de la anatomía patológica.

Mediante escáneres especializados es posible obtener imágenes de altísima resolución de los portaobjetos completos. Estas preparaciones digitales, conocidas como whole-slide images (WSI), permiten recorrer extensas regiones del tejido, ampliar detalles y compartir imágenes con otros especialistas sin necesidad de trasladar físicamente los vidrios.

La patología digital ofrece ventajas incluso sin utilizar algoritmos. Facilita las segundas opiniones, las consultas entre instituciones, la discusión de casos complejos y la enseñanza. También permite conservar archivos digitales, mejorar la trazabilidad de las muestras y establecer redes de colaboración entre centros que no necesariamente se encuentran en la misma ciudad.

La IA agrega una posibilidad diferente. En lugar de limitarse a mostrar una imagen, el sistema puede analizarla, identificar regiones sospechosas, contar determinadas poblaciones celulares o reconocer combinaciones de características que podrían pasar inadvertidas durante la observación convencional.

Una preparación histológica digitalizada contiene enormes cantidades de información. No solamente muestra células aisladas, sino también su distribución, arquitectura, relaciones con el tejido circundante, características del estroma y presencia de células inflamatorias. Los algoritmos pueden examinar esas relaciones en miles de regiones microscópicas y buscar asociaciones con resultados clínicos o moleculares conocidos.

En 2021, la FDA estadounidense autorizó Paige Prostate, un sistema destinado a asistir a los patólogos en la identificación de áreas sospechosas de cáncer en biopsias prostáticas digitalizadas. Fue un antecedente importante para la incorporación regulada de inteligencia artificial a la anatomía patológica.

Sin embargo, la autorización no habilitó un diagnóstico autónomo. El algoritmo actúa como herramienta de asistencia y la interpretación definitiva continúa siendo responsabilidad del patólogo. [1]

Esta distinción sigue siendo fundamental: localizar un área sospechosa, interpretar una biopsia completa y tomar una decisión terapéutica son tareas relacionadas, pero no equivalentes.

¿Podemos anticipar una mutación mirando el tejido?

La oncología proporciona uno de los escenarios más interesantes para explorar estas tecnologías.

Sabemos que dos tumores con una apariencia microscópica semejante pueden presentar alteraciones genéticas distintas y responder de manera completamente diferente a un tratamiento. Por eso la medicina de precisión utiliza cada vez más biomarcadores moleculares para orientar las decisiones terapéuticas.

En cáncer de pulmón, por ejemplo, identificar mutaciones activadoras de EGFR puede modificar sustancialmente el tratamiento. En cáncer colorrectal y de endometrio, evaluar la reparación de errores del ADN mediante los sistemas MMR/MSI puede aportar información relevante para la clasificación molecular, el pronóstico, la selección de determinadas terapias y la evaluación de predisposición hereditaria.

Habitualmente, estas determinaciones requieren técnicas adicionales, como inmunohistoquímica, PCR o secuenciación genética, según el biomarcador estudiado.

Pero las alteraciones moleculares también pueden influir en la apariencia del tumor. Algunas modifican la diferenciación celular, la arquitectura del tejido, los patrones de crecimiento o la interacción con el sistema inmunitario. Aunque parte de esas características ya se reconoce mediante la observación microscópica, otras podrían expresarse como combinaciones de patrones demasiado complejas para ser identificadas visualmente.

Aquí aparece la hipótesis central de la patología computacional: una imagen histológica puede contener señales indirectas del estado molecular de un tumor, y un algoritmo entrenado con suficientes ejemplos podría aprender a reconocerlas.

Es importante comprender qué significa esto. La inteligencia artificial no está leyendo directamente una mutación en el ADN, como lo haría una prueba genética. Está calculando la probabilidad de que exista una determinada alteración a partir de características morfológicas asociadas con ella durante el entrenamiento.

La diferencia no es menor. Una predicción probabilística puede ser útil para organizar estudios o establecer prioridades, pero no necesariamente proporciona la certeza ni el detalle molecular requeridos para seleccionar un medicamento.

EGFR en cáncer de pulmón: un ejemplo concreto

Uno de los trabajos más interesantes fue publicado en Nature Medicine en julio de 2025 por Campanella y colaboradores. Los investigadores desarrollaron EAGLE, un modelo capaz de estimar la probabilidad de mutaciones de EGFR en adenocarcinoma pulmonar utilizando preparaciones histológicas digitalizadas. [2]

El estudio reunió 8.461 imágenes de una colección internacional y obtuvo un área bajo la curva ROC (AUC) de 0,870 en la evaluación externa. Esta medida resume la capacidad de un modelo para diferenciar muestras con y sin una característica determinada, pero no significa que acierte el 87 % de todos los diagnósticos.

Una de las particularidades del trabajo fue su evaluación prospectiva mediante un ensayo denominado silent trial. Durante cuatro meses de 2024, el algoritmo procesó 197 muestras dentro de un circuito asistencial real, sin que sus resultados fueran utilizados para modificar las decisiones clínicas. En esa evaluación alcanzó un AUC de 0,890.

Los investigadores calcularon que una estrategia asistida por IA podría reducir hasta un 43 % la necesidad de realizar pruebas moleculares rápidas de EGFR dentro del circuito estudiado, manteniendo los parámetros de rendimiento definidos para ese procedimiento.

El detalle es importante: se trató de una reducción potencial calculada durante una evaluación silenciosa, no de una política clínica que hubiera omitido efectivamente esas pruebas en los pacientes. Además, el modelo no pretendía reemplazar los paneles moleculares completos.

¿Por qué resulta interesante esta aplicación?

En una biopsia pulmonar pequeña, la cantidad de material disponible puede convertirse en una limitación. Parte del tejido debe utilizarse para establecer el diagnóstico, otra puede requerirse para inmunohistoquímica y una cantidad adicional debe conservarse para estudios genéticos. Cuando el material es escaso, cada determinación puede condicionar las posibilidades de realizar las siguientes.

Un sistema capaz de orientar qué pacientes necesitan determinadas pruebas rápidas podría contribuir a conservar tejido para estudios más amplios, reducir procedimientos redundantes y mejorar la organización del laboratorio.

Pero nada de esto significa que debamos iniciar un tratamiento dirigido basándonos exclusivamente en la predicción del algoritmo. Para seleccionar determinadas terapias es necesario confirmar la alteración mediante métodos validados y, con frecuencia, identificar la variante molecular específica.

El valor de EAGLE no reside en haber reemplazado la biología molecular, sino en demostrar que la inteligencia artificial podría contribuir a utilizarla de una manera más eficiente.

MSI y MMR: información que podría anticiparse desde una tinción convencional

El cáncer colorrectal ofrece otro ejemplo relevante.

La deficiencia del sistema de reparación de errores del ADN (mismatch repair, MMR) se asocia frecuentemente con inestabilidad de microsatélites (MSI). Aunque ambos conceptos están estrechamente vinculados, no son idénticos: uno describe una alteración funcional del mecanismo de reparación y el otro una consecuencia molecular que puede identificarse mediante técnicas específicas.

Su evaluación tiene implicancias importantes. En determinados contextos permite identificar tumores candidatos a inmunoterapia y también puede orientar la investigación de un posible síndrome de Lynch.

Un estudio multicéntrico publicado en npj Digital Medicine en diciembre de 2025 evaluó PANProfiler Colorectal, una herramienta desarrollada para inferir MSI/MMR a partir de preparaciones histológicas convencionales teñidas con hematoxilina-eosina. [3]

La investigación incluyó 3.576 imágenes correspondientes a 1.243 pacientes de tres instituciones británicas. El algoritmo consiguió emitir una clasificación definitiva en el 86,55 % de las imágenes y alcanzó una concordancia global del 93,83 % con los métodos de referencia entre las preparaciones clasificables.

Son resultados prometedores, aunque requieren una interpretación cuidadosa. No todas las imágenes pudieron clasificarse y, aun entre aquellas con un resultado definitivo, existieron discrepancias con las determinaciones convencionales.

En este escenario, los errores tienen consecuencias muy concretas. Un falso negativo podría impedir identificar un biomarcador terapéutico relevante o retrasar la evaluación de una predisposición hereditaria.

Por eso, utilizar IA para priorizar estudios no equivale a justificar la omisión de pruebas recomendadas por las guías clínicas. Cualquier estrategia de sustitución debería demostrar que conserva una seguridad diagnóstica adecuada, incluso en los casos más difíciles.

Los modelos fundacionales: aprender de millones de preparaciones

Mientras algunos equipos desarrollan algoritmos destinados a reconocer una característica específica, otros están construyendo sistemas más generales, conocidos como modelos fundacionales.

La idea consiste en entrenar una inteligencia artificial con cantidades extraordinarias de imágenes y, posteriormente, adaptar lo aprendido a diferentes tareas. Es un enfoque relacionado con el utilizado en los grandes modelos de lenguaje, aunque aplicado a imágenes microscópicas.

TITAN, publicado en Nature Medicine en noviembre de 2025, fue entrenado utilizando 335.645 preparaciones histológicas digitalizadas junto con información textual, incluidos informes anatomopatológicos y descripciones generadas para el entrenamiento. [4]

El objetivo era desarrollar representaciones del tejido útiles para distintas aplicaciones, como clasificación tumoral, búsqueda de casos similares, predicción de biomarcadores y estudios pronósticos.

Un paso adicional apareció en julio de 2026 con PRISM2, publicado también en Nature Medicine. Este modelo fue entrenado con aproximadamente 2,3 millones de imágenes histológicas completas y 14 millones de pares de preguntas y respuestas derivados de unos 700.000 informes anatomopatológicos. [5]

PRISM2 relaciona características visuales del tejido con el lenguaje utilizado en la interpretación diagnóstica. En evaluaciones experimentales alcanzó resultados comparables o superiores a determinados sistemas clínicos de detección de cáncer, según la tarea y la métrica analizada.

Sin embargo, estos resultados no deben confundirse con una autorización para emitir diagnósticos autónomos. Los modelos fundacionales pueden aprender información útil, pero también reproducir sesgos, inconsistencias y errores presentes en los informes utilizados durante su entrenamiento.

Además, un modelo que produce una descripción aparentemente convincente puede estar equivocado. La capacidad de generar lenguaje médico razonable no constituye, por sí misma, evidencia de exactitud diagnóstica.

Argentina también desarrolla inteligencia artificial para analizar biopsias

Aunque gran parte de la investigación internacional proviene de grandes instituciones académicas y empresas tecnológicas, en Argentina existen iniciativas que trabajan directamente sobre estas aplicaciones.

Dos ejemplos particularmente interesantes son Kuvia, vinculada con la predicción de biomarcadores moleculares, y Digpatho, orientada al análisis y cuantificación de imágenes histológicas e inmunohistoquímicas.

Sus propuestas son diferentes y permiten comprender que la IA aplicada a la anatomía patológica no constituye una tecnología única, sino un conjunto de herramientas destinadas a resolver problemas diagnósticos distintos.

Kuvia: buscar señales moleculares en imágenes convencionales

Kuvia nació del trabajo de las bioingenieras Ana Gorodisch y Martina Belluomini, formadas en el Instituto Tecnológico de Buenos Aires (ITBA). Su propuesta consiste en utilizar algoritmos para analizar imágenes digitalizadas de biopsias teñidas con hematoxilina-eosina y reconocer patrones asociados con biomarcadores moleculares.

Una de sus principales líneas de desarrollo es la predicción de inestabilidad de microsatélites en cáncer colorrectal y de endometrio.

El proyecto tiene antecedentes científicos concretos. En el congreso ASCO 2024, un grupo de investigadores argentinos, entre ellos María Teresa Pombo y Ana Gorodisch, presentó un trabajo sobre el desarrollo de un algoritmo de aprendizaje profundo destinado a apoyar la clasificación de MSI en carcinomas colorrectales, endometriales y gástricos. [8]

La empresa también comenzó a establecer colaboraciones institucionales. En julio de 2026, el Hospital Nacional Posadas anunció el inicio de un trabajo conjunto con Kuvia, orientado a explorar la utilización de inteligencia artificial para la identificación de biomarcadores en pacientes con cáncer.

Otra iniciativa relevante es el proyecto BRAF, desarrollado junto con profesionales del Hospital Garrahan y seleccionado dentro del programa Transformar Salud, impulsado por Roche y Fundación Garrahan. Su objetivo es utilizar imágenes histológicas digitalizadas para reconocer patrones asociados con la mutación BRAF V600E en determinados tumores pediátricos.

La propuesta podría tener utilidad para orientar la selección de muestras que requieren pruebas moleculares confirmatorias, especialmente cuando el acceso a esas determinaciones es limitado. Sin embargo, se trata de un desarrollo cuya implementación clínica depende de demostrar un desempeño adecuado y completar los procesos de evaluación correspondientes.

Lo interesante de Kuvia no es solamente la posibilidad de acelerar un análisis. Su propuesta intenta responder a un problema frecuente en países con recursos desigualmente distribuidos: cómo ampliar el acceso al diagnóstico molecular sin depender exclusivamente de la infraestructura de unos pocos centros de referencia.

La información pública permite confirmar sus líneas de investigación y colaboraciones, pero no alcanza por sí sola para establecer el rendimiento clínico independiente de cada aplicación ni su estado regulatorio definitivo.

Digpatho: reducir la variabilidad en la interpretación

Digpatho es una startup nacida en Córdoba que desarrolla herramientas de inteligencia artificial para asistir a laboratorios de anatomía patológica en el análisis de imágenes microscópicas.

A diferencia de los modelos que buscan inferir mutaciones genéticas a partir de la morfología, una parte importante de su propuesta se concentra en cuantificar y analizar características que ya forman parte de los estudios convencionales.

Entre las aplicaciones que presenta la empresa se encuentran herramientas para evaluar HER2, Ki-67 y receptores hormonales en cáncer de mama. También anuncia desarrollos para otras áreas, incluido el análisis de muestras prostáticas.

El problema que intenta abordar es bien conocido. Algunas determinaciones anatomopatológicas presentan variabilidad entre observadores, especialmente cuando se requiere estimar porcentajes de células positivas, identificar áreas representativas o interpretar patrones cercanos a determinados puntos de corte.

Ki-67 constituye un ejemplo. Su cuantificación puede variar según la región tumoral seleccionada, las condiciones de la preparación y los criterios utilizados para el recuento. Un algoritmo podría contribuir a mejorar la consistencia de estas mediciones, siempre que el método haya sido validado adecuadamente.

Algo semejante ocurre con determinados aspectos de la evaluación de HER2, donde la calidad técnica, la heterogeneidad tumoral y la interpretación de patrones de tinción pueden condicionar los resultados.

En enero de 2026, los responsables de Digpatho describieron públicamente experiencias de utilización de su plataforma en instituciones cordobesas y avances en procesos regulatorios. La empresa también difundió un estudio sobre variabilidad interobservador en la evaluación de Ki-67, con participación de patólogos y aprobación ética informada por sus organizadores. [9]

Estas experiencias son importantes, pero deben diferenciarse de una validación clínica independiente publicada y de una autorización sanitaria para cada indicación diagnóstica.

La posibilidad de mejorar la reproducibilidad de la evaluación histológica merece tanta atención como la predicción de nuevas características moleculares. No todas las aplicaciones útiles de IA necesitan descubrir información invisible: algunas pueden aportar valor haciendo más consistentes las mediciones que ya realizamos.

¿Qué ocurre cuando un algoritmo funciona bien en un hospital y mal en otro?

Uno de los principales desafíos de la inteligencia artificial médica es la generalización.

Una biopsia no produce siempre la misma imagen. El tipo de fijación, el procesamiento del tejido, las tinciones, el espesor de los cortes y las características del escáner pueden modificar considerablemente su apariencia digital.

Un algoritmo entrenado con preparaciones de determinados laboratorios podría aprender señales relacionadas con esos procedimientos técnicos en lugar de identificar exclusivamente características biológicas del tumor.

También existen diferencias entre poblaciones y tipos de muestras.

En febrero de 2026, JAMA Oncology publicó un estudio que evaluó dos modelos abiertos para predecir EGFR en adenocarcinoma pulmonar. La investigación incluyó 2.098 pacientes de cohortes estadounidenses y europeas. [6]

Aunque uno de los modelos mostró un buen rendimiento global, los investigadores observaron diferencias entre subgrupos. En una de las cohortes, el AUC fue de 0,84 en pacientes de ascendencia europea y de 0,68 en pacientes de ascendencia asiática. También disminuyó en determinadas muestras pleurales respecto de muestras pulmonares.

Estos resultados no significan que la inteligencia artificial necesariamente funcione peor en todas las poblaciones asiáticas, ni permiten extrapolar conclusiones automáticas a Argentina. Muestran, en cambio, que un algoritmo puede tener un rendimiento global satisfactorio y presentar dificultades importantes cuando se lo utiliza en condiciones diferentes de aquellas en las que fue entrenado.

Por eso la validación local es indispensable. También importa identificar la consecuencia clínica de cada error: en una herramienta destinada a descartar una prueba molecular, un falso negativo puede tener consecuencias más importantes que un resultado incorrecto utilizado solamente para ordenar tareas administrativas.

En junio de 2026, la Digital Pathology Association publicó recomendaciones para la validación, implementación y utilización clínica de inteligencia artificial en anatomía patológica. El documento destaca que los procesos de digitalización y los algoritmos deben validarse de manera diferenciada, con controles de calidad y evaluación de desempeño en los entornos donde serán utilizados. [7]

La seguridad de una herramienta diagnóstica no puede establecerse únicamente a partir de un resultado destacado en una publicación científica.

La regulación argentina: del desarrollo tecnológico a la herramienta médica

La aparición de startups nacionales también plantea una cuestión que no siempre recibe suficiente atención: ¿cuándo un programa informático deja de ser una herramienta experimental y pasa a considerarse un producto médico?

En septiembre de 2026, ANMAT publicó una aclaración sobre los criterios regulatorios aplicables al software como dispositivo médico (Software as a Medical Device, SaMD), en el marco de la Disposición 64/25.

De acuerdo con esa interpretación, los programas destinados por sus fabricantes a funciones como diagnosticar, prevenir, tratar o mitigar enfermedades, y que operan independientemente del hardware de un producto médico, pueden encuadrarse dentro de esa categoría. Cuando corresponde tal clasificación, deben cumplir los procesos obligatorios de registro y autorización sanitaria.

Esto tiene implicancias directas para la inteligencia artificial aplicada al diagnóstico. No es lo mismo desarrollar un algoritmo de investigación, utilizar un programa como apoyo académico o comercializar una herramienta destinada a producir resultados diagnósticos en pacientes.

La regulación debe considerar el uso previsto del sistema, sus limitaciones, el riesgo de errores y las condiciones de utilización. Además, el hecho de que una empresa colabore con un hospital, presente resultados en un congreso o realice estudios de validación no equivale automáticamente a una autorización sanitaria.

En Argentina, la Sociedad Argentina de Patología publicó en agosto de 2026 recomendaciones sobre evaluación de HER2 en tumores sólidos avanzados, elaboradas con participación de especialistas de la Asociación Argentina de Oncología Clínica. El documento destaca la necesidad de validación local, controles externos de calidad, revisión experta y evaluación multitumoral antes de incorporar herramientas de IA a estas determinaciones. [10]

El principio es razonable: una tecnología novedosa no debe quedar exenta de las exigencias de calidad que aplicamos a los métodos diagnósticos convencionales.

Una oportunidad para Argentina, pero también una posible brecha

La patología digital puede ofrecer beneficios particularmente importantes en regiones donde el acceso a determinadas subespecialidades es limitado.

Una biopsia obtenida en una ciudad pequeña podría digitalizarse y compartirse con un centro de referencia, facilitando una segunda opinión sin necesidad de trasladar físicamente el material. Una red regional también podría permitir discutir casos complejos, compartir experiencia y organizar mejor el trabajo entre diferentes instituciones.

Sin embargo, digitalizar un servicio de anatomía patológica requiere inversiones concretas: escáneres especializados, almacenamiento para archivos de gran tamaño, redes seguras, mantenimiento, integración informática y personal capacitado.

La IA agrega costos de desarrollo o licenciamiento, validación, actualización y supervisión. No alcanza con instalar una aplicación para resolver las dificultades de acceso al diagnóstico.

En este contexto, podrían resultar interesantes modelos regionales donde distintas instituciones compartan infraestructura y capacidades técnicas. Las startups argentinas podrían participar en ese proceso, siempre que sus soluciones respondan a necesidades reales y puedan integrarse en circuitos asistenciales sostenibles.

El éxito de estas tecnologías debería medirse por sus resultados: menos demoras, mayor acceso a especialistas, mejor reproducibilidad o utilización más eficiente de muestras escasas.

También sería necesario demostrar que sus costos totales y sus resultados justifican la implementación frente a otras necesidades sanitarias. Una herramienta que funciona de manera excelente pero requiere infraestructura inaccesible para la mayor parte del sistema podría terminar ampliando las desigualdades que pretende resolver.

Quizás la primera contribución importante de la patología digital en muchas regiones argentinas no sea reemplazar una determinación molecular mediante inteligencia artificial, sino facilitar que una biopsia pueda ser evaluada por el especialista adecuado, aunque se encuentre a cientos de kilómetros.

¿El patólogo será reemplazado por la inteligencia artificial?

Cada nueva tecnología médica suele reactivar la discusión sobre el futuro de determinadas profesiones. La anatomía patológica no es una excepción.

Sin embargo, reducir el trabajo del patólogo a reconocer patrones en una imagen significa desconocer una parte sustancial de su función.

El proceso diagnóstico comienza mucho antes de observar el portaobjetos. Incluye evaluar si la muestra es representativa, seleccionar estudios complementarios, comprender los antecedentes clínicos, interpretar resultados discordantes y establecer qué conclusiones pueden sostenerse con el material disponible.

Un algoritmo puede identificar una región sospechosa, pero eso no resuelve por sí mismo si la biopsia representa adecuadamente toda la lesión. Puede sugerir una alteración molecular, pero no necesariamente identificar la variante específica requerida para indicar un tratamiento. Incluso puede producir una interpretación convincente de una imagen sin conocer información clínica capaz de modificar completamente el diagnóstico.

Es probable que estas herramientas transformen algunas tareas, pero también que aumenten la necesidad de supervisión y evaluación crítica. Cuanta más información produzca un sistema, más importante será distinguir los resultados confiables de aquellos que requieren confirmación.

Una biopsia puede contener más información de la que sabemos leer

La posibilidad más interesante de la inteligencia artificial en anatomía patológica no consiste simplemente en automatizar lo que ya hacemos, sino en descubrir relaciones biológicas que todavía no forman parte de nuestra interpretación habitual de los tejidos.

Las investigaciones recientes indican que las preparaciones convencionales contienen señales asociadas con características moleculares y determinados comportamientos tumorales que no siempre resultan evidentes mediante la observación humana.

Eso no convierte al portaobjetos en un secuenciador genético ni vuelve innecesarias las técnicas complementarias. La predicción de una característica molecular y su determinación directa siguen siendo procedimientos diferentes.

Pero abre una posibilidad relevante: que las biopsias que utilizamos habitualmente para diagnosticar enfermedades puedan convertirse también en una fuente adicional de información biológica.

La existencia de desarrollos argentinos como Kuvia y Digpatho muestra que esta transformación no se limita a grandes centros internacionales. También en nuestro país hay profesionales e investigadores intentando convertir esas posibilidades en soluciones concretas.

La verdadera revolución no ocurrirá cuando una computadora produzca un diagnóstico sorprendente en una publicación científica. Ocurrirá cuando estas herramientas demuestren, en hospitales reales y con pacientes diversos, que permiten tomar decisiones mejores, evitar errores o ampliar el acceso a una atención de calidad.

Después de más de un siglo observando tejidos bajo el microscopio, quizás estemos comenzando a descubrir que siempre hubo allí mucha más información de la que podíamos ver.

Bibliografía

1. U.S. Food and Drug Administration. Paige Prostate. De Novo DEN200080. Autorización del 21 de septiembre de 2021. Registro oficial de la FDA.

2. Campanella G, et al. Real-world deployment of a fine-tuned pathology foundation model for lung cancer biomarker detection. Nature Medicine. 2025;31:3002–3010. DOI: 10.1038/s41591-025-03780-x.

3. Bass C, et al. H&E-based MSI/MMR testing with AI in colorectal cancer: a multi-centred blinded evaluation. npj Digital Medicine. 2025. Artículo original.

4. A multimodal whole-slide foundation model for pathology (TITAN). Nature Medicine. 2025;31:3749–3761. DOI: 10.1038/s41591-025-03982-3.

5. End-to-end multimodal pathology foundation model with clinical dialogue (PRISM2). Nature Medicine. 2026;32:3203–3213. DOI: 10.1038/s41591-026-04521-4.

6. Rakaee M, et al. Ancestry-Associated Performance Variability of Open-Source AI Models for EGFR Prediction in Lung Cancer. JAMA Oncology. 2026;12(4):402–406. DOI: 10.1001/jamaoncol.2025.6430.

7. Silberman N, et al. Recommendation Statement for the Validation, Implementation, and Clinical Application of Artificial Intelligence Within a Clinical Laboratory from the Digital Pathology Association. AI in Precision Oncology. 2026;3(4):71–97. DOI: 10.1177/2993091X261455975.

8. Pombo MT, Chirkes J, Erbetti A, et al. Developing a deep learning algorithm to support decision making for the classification of microsatellite instability (MSI) in cancer, using artificial intelligence (AI). Journal of Clinical Oncology. ASCO Annual Meeting 2024;42(16_suppl):11152. DOI: 10.1200/JCO.2024.42.16_suppl.11152.

9. Digpatho. Interobserver Variability Study. Sitio oficial. Véase también: Salud e inteligencia artificial: un desarrollo cordobés se suma a la lucha contra el cáncer. Puntal, 8 de enero de 2026. Artículo periodístico.

10. Sociedad Argentina de Patología. Guía de recomendaciones en HER2 Pan Tumor. Agosto de 2026. Documento oficial.

Fuentes complementarias argentinas

Nota editorial: artículo actualizado a noviembre de 2026. Las aplicaciones experimentales de inteligencia artificial descriptas no deben considerarse sustitutos de los estudios diagnósticos y moleculares validados. Su utilización clínica requiere evaluación de desempeño, cumplimiento regulatorio cuando corresponda y supervisión profesional.

Comparte esto: