- La IA aplicada a escaneos 3D y técnicas de imagen mejora la detección precoz de tumores difíciles como páncreas, hígado, colon o pulmón.
- Modelos 3D, radiómica y realidad aumentada permiten cirugías oncológicas más precisas y menos agresivas, adaptadas a cada paciente.
- Herramientas como Mia, AINU o modelos de riesgo con machine learning apoyan el cribado, el diagnóstico temprano y la estratificación pronóstica del cáncer.
- Persisten retos clave: validación externa rigurosa, control de sesgos, transparencia de los algoritmos y marcos regulatorios específicos.
La combinación de escaneo 3D, técnicas de imagen avanzadas e inteligencia artificial está cambiando a gran velocidad la manera en la que se detecta, se clasifica y se trata el cáncer. De las mamografías y las resonancias magnéticas a los minirrobots que navegan por el intestino, la IA es capaz de leer patrones que a los médicos se les escaparían incluso con décadas de experiencia.
Hoy en día ya hay algoritmos aprobados, ensayos clínicos en marcha y proyectos punteros en hospitales de todo el mundo que demuestran cómo estas tecnologías ayudan a encontrar tumores muy pequeños, a distinguir lesiones benignas de malignas y a planificar cirugías complejas con modelos 3D mucho más precisos. El reto es enorme, pero también lo es la oportunidad de detectar el cáncer antes, con menos pruebas invasivas y tratamientos más personalizados.
Qué entendemos por inteligencia artificial e imagen oncológica
Cuando hablamos de IA aplicada al cáncer nos referimos a algoritmos capaces de analizar grandes volúmenes de datos médicos (imágenes, historiales, parámetros analíticos…) para tomar decisiones o hacer predicciones. En el campo de la imagen, estos algoritmos se entrenan con miles o millones de estudios radiológicos o microscópicos.
En muchos casos se usan técnicas de aprendizaje automático y aprendizaje profundo, que permiten que el modelo “aprenda solo” a partir de los datos, detectando patrones que no han sido descritos de forma explícita por los humanos. Esto incluye métodos basados en redes neuronales artificiales que imitan, de forma simplificada, cómo se conectan y procesan información las neuronas del cerebro.
En la práctica, un modelo de este tipo puede reconocer la silueta de un órgano, señalar zonas sospechosas de tumor y cuantificar características como forma, textura o vascularización. A medida que se le exponen nuevas imágenes, su rendimiento mejora, siempre que se controle bien la calidad de los datos y se valide en poblaciones variadas.
La IA no solo sirve para “ver mejor” un tumor; también permite relacionar la información de imagen con datos clínicos, genéticos o de laboratorio para estimar el riesgo de recaída, predecir la respuesta a un tratamiento o identificar qué pacientes se beneficiarían de una cirugía más agresiva o, al contrario, de una estrategia conservadora.
IA, resonancias y escaneo 3D para localizar tumores difíciles
Un ejemplo muy ilustrativo de cómo la IA ayuda a interpretar imágenes complejas lo encontramos en el cáncer de próstata y el uso de resonancia magnética multiparamétrica. Este tipo de resonancia ofrece mucha más información que una IRM convencional, pero requiere años de experiencia para interpretarla de forma fiable.
En el Instituto Nacional del Cáncer de Estados Unidos se ha desarrollado un modelo de IA que identifica automáticamente la próstata y delimita áreas sospechosas de tumor en estas resonancias multiparamétricas. Radiólogos con alta experiencia han comparado sus marcajes con los del algoritmo y han observado resultados muy similares, lo que abre la puerta a que esta IA actúe como “experto virtual” para profesionales menos curtidos.
Esta idea de apoyo experto es especialmente relevante en tumores donde la anatomía complica mucho la lectura de las imágenes, como el cáncer de páncreas, hígado o recto. Son zonas anatómicamente densas, con órganos muy próximos entre sí y estructuras vasculares críticas, donde un error de pocos milímetros puede cambiar por completo una cirugía.
En este contexto, la reconstrucción 3D a partir de resonancias o TAC, apoyada por algoritmos automatizados, permite crear modelos tridimensionales muy detallados del tumor y de los órganos alrededor. Estos modelos ayudan a los cirujanos a entender mejor hasta dónde llega la lesión, qué estructuras invade y qué trayectorias quirúrgicas son más seguras.
En un estudio liderado por la Unidad de Cirugía Colorrectal de un gran hospital español, se usaron modelos 3D generados a partir de resonancias para planificar cirugías de cáncer de recto avanzado o recurrente. En el 38 % de los casos, los cirujanos cambiaron su estrategia tras ver el modelo, y en casi una cuarta parte se evitó una cirugía extremadamente agresiva porque el 3D mostraba que el tumor no invadía órganos que sí parecían afectados en la resonancia convencional.
Escaneo 3D en tiempo real y minirrobots para “biopsias virtuales”
La unión de escaneo 3D e IA no se limita a procesar imágenes ya tomadas: también está comenzando a transformar cómo se obtienen esas imágenes. Un ejemplo llamativo es el minirobot magnético desarrollado por ingenieros británicos, del tamaño aproximado de una moneda, diseñado para desplazarse por el tracto gastrointestinal.
Este pequeño dispositivo incorpora un transductor de ultrasonidos de alta frecuencia y, guiado desde el exterior mediante campos magnéticos, puede realizar escaneos tridimensionales muy detallados desde dentro del colon o del intestino. Las imágenes 3D se generan en tiempo real y podrían analizarse de inmediato con sistemas de interpretación asistidos por IA.
La idea es que, en lugar de tomar biopsias físicas en múltiples puntos, el médico disponga de una “biopsia virtual” basada en imágenes de alta resolución que le permitan detectar, estadificar y, en algunos casos, incluso tratar lesiones en un único procedimiento. Esto reduciría la necesidad de explorar al paciente en varias sesiones o someterlo a técnicas más invasivas.
La clave tecnológica de este minirobot reside en la adopción de una forma geométrica especial conocida como oloide, que permite un movimiento de rotación complejo y muy eficiente. Esta geometría facilita que el dispositivo explore el interior del intestino con una cobertura homogénea, algo crucial para no dejar zonas sin examinar.
Combinado con algoritmos de reconstrucción 3D y herramientas de inteligencia artificial para analizar esas imágenes, este enfoque podría revolucionar la detección precoz de cáncer de colon y otras lesiones digestivas, haciendo pruebas más rápidas, menos molestas y potencialmente más precisas que las colonoscopias tradicionales.
IA para tumores de páncreas e hígado: ver lo que casi no se ve
El cáncer de páncreas es uno de los más difíciles de detectar a tiempo, ya que suele ser asintomático y la anatomía del órgano complica su visualización en los TAC convencionales. Además, es un tumor muy agresivo, de evolución rápida, con una supervivencia media de pocos meses en fases avanzadas.
En Europa, una startup ha desarrollado un software que se integra en los sistemas de imagen de los hospitales y que analiza las exploraciones abdominales para buscar lesiones sospechosas en el páncreas, aunque el estudio se haya pedido por otro motivo (por ejemplo, tras un accidente). El objetivo es precisamente encontrar lo que nadie está buscando.
El algoritmo se ha entrenado con miles de TAC y resonancias, aprendiendo a detectar biomarcadores, medir el volumen de las lesiones en 3D y resaltar las zonas de mayor preocupación. En los ensayos que han permitido su certificación como producto sanitario, esta solución fue capaz de adelantarse alrededor de nueve meses al diagnóstico en muchos casos.
Esa ganancia temporal es clave: en un tumor donde la esperanza de vida puede rondar los 4 o 5 meses en fases tardías, poder intervenir casi un año antes cambia radicalmente las opciones terapéuticas del paciente. El sistema no sustituye al radiólogo, pero actúa como un segundo par de ojos incansable, con “vidas y vidas” de experiencia acumulada.
El mismo enfoque se está empezando a aplicar al cáncer de hígado y a los tumores quísticos pancreáticos, que a veces tienen potencial de transformarse en malignos. Las técnicas de modelización 3D, unidas a la radiómica (análisis avanzado de características de imagen) y a la IA, permiten clasificar mejor qué quistes tienen riesgo real de malignizar y cuáles pueden seguirse de forma conservadora.
Modelos 3D, radiómica y cirugía guiada con realidad aumentada
La radiómica se basa en extraer de las imágenes médicas una gran cantidad de características cuantitativas que el ojo humano no puede apreciar, como texturas, patrones de intensidad o relaciones espaciales complejas. Estas métricas, analizadas con algoritmos de IA, pueden ayudar a diferenciar con más precisión lesiones benignas de malignas o tumores de distinto grado de agresividad.
En el caso de los tumores quísticos de páncreas, los expertos señalan que las técnicas actuales de imagen no discriminan lo suficiente entre quistes de bajo riesgo y aquellos con potencial maligno, lo que lleva a veces a sobretratar con cirugías muy agresivas. Integrar radiómica, IA y modelos 3D puede mejorar esta clasificación.
Se están impulsando estudios europeos multicéntricos donde distintos grupos aportan sus imágenes radiológicas preoperatorias y resultados quirúrgicos para alimentar modelos comunes de IA. El objetivo es que estos sistemas aprendan a predecir, con alta fiabilidad, qué tumores requieren cirugía y cuáles no, ajustando el tratamiento a cada paciente.
Por otro lado, la cirugía guiada con modelos 3D está dando un paso más gracias a la realidad aumentada y la realidad mixta en quirófano. En procedimientos pancreáticos complejos, por ejemplo, los cirujanos pueden visualizar el modelo 3D del paciente proyectado sobre el campo operatorio mediante gafas especiales o en pantallas próximas.
Estudios preliminares han mostrado que esta fusión entre el mundo real y el modelo virtual mejora la identificación de vasos sanguíneos críticos, facilita la planificación de la resección y ayuda a decidir con mayor seguridad si un tumor es resecable o no. Además, no se han observado complicaciones atribuidas al uso de la realidad aumentada en estas experiencias iniciales.
Detección temprana del cáncer: mamografías, cuello uterino, colon y pulmón
Uno de los campos donde más se está notando el impacto de la IA es en los programas de cribado poblacional, como la mamografía, la citología de cuello uterino o las colonoscopias para prevenir el cáncer de colon. Aquí el objetivo es encontrar lesiones muy pequeñas o precancerosas en personas sin síntomas.
En Reino Unido se está probando una herramienta llamada Mia, que analiza mamografías de forma automatizada en paralelo al trabajo de los radiólogos. En un ensayo con casi 11.000 mujeres, Mia identificó signos de cáncer de mama en 11 pacientes que habían pasado desapercibidos en la lectura humana inicial.
Estos tumores, de apenas unos milímetros, son extremadamente difíciles de ver y representan justo el tipo de lesión donde ganar tiempo puede marcar la diferencia. En el caso de una de las pacientes, el cáncer se detectó en fase muy temprana y se pudo tratar con una cirugía limitada y solo unos días de radioterapia, con una tasa de supervivencia esperada muy alta.
Actualmente cada mamografía es revisada por dos radiólogos, pero se espera que, con herramientas como Mia, en un futuro pueda reemplazarse uno de esos lectores por la IA o incluso dejar que el algoritmo revise todas las pruebas y el especialista se concentre en los casos dudosos. Esto podría reducir tiempos de espera de dos semanas a apenas tres días.
Algo parecido está ocurriendo con el cribado del cáncer de cuello uterino en entornos de bajos recursos, donde se usan cámaras sencillas para inspeccionar el cuello uterino. Un algoritmo de aprendizaje profundo desarrollado por investigadores del NCI fue capaz de detectar mejor que expertos humanos qué lesiones precancerosas necesitaban tratamiento, a partir de fotografías tomadas con dispositivos de bajo coste.
En el cáncer de colon, varias técnicas de IA aplicadas a colonoscopias han demostrado mejorar la detección de pólipos y adenomas. Sin embargo, como solo una fracción de estos pólipos acaba transformándose en cáncer, algunos expertos advierten de que una detección excesivamente sensible podría llevar a más intervenciones y pruebas innecesarias.
En el cáncer de pulmón, por su parte, los modelos de aprendizaje profundo aplicados a tomografías computarizadas de tórax ayudan a distinguir mejor entre nódulos benignos y malignos. Esto tiene el potencial de reducir la cifra de falsos positivos, evitando exploraciones invasivas, ansiedad y costes innecesarios para pacientes que, en realidad, no tienen cáncer.
Más allá de la detección: elegir el mejor tratamiento con ayuda de la IA
Las pruebas de imagen no solo sirven para decir si hay o no un tumor; también aportan información crítica sobre tamaño, grado de invasión, diseminación y probabilidad de recaída, factores que condicionan las decisiones terapéuticas. Aquí la IA está empezando a jugar un papel importante.
Por ejemplo, en el cáncer de vejiga con invasión muscular, aproximadamente la mitad de los pacientes tienen micrometástasis en ganglios linfáticos cercanos que no se ven en las pruebas estándar. Si no se tratan, estas células acaban provocando una recaída tras la cirugía.
Un equipo de investigación desarrolló un modelo de aprendizaje profundo que analiza imágenes digitales del tumor primario para predecir si es probable que haya estas micrometástasis en ganglios. En estudios comparativos, la IA superó a las escalas pronósticas tradicionales que combinan edad, estadio y otras características clínicas.
En oncología hepática también se están probando modelos que, a partir de imágenes de tejido tumoral escaneadas a gran resolución, pueden predecir la presencia de determinadas mutaciones genéticas clave sin necesidad de realizar pruebas moleculares específicas. Este tipo de enfoque, aún experimental, podría abaratar y acelerar la medicina de precisión.
Otro ámbito interesante es el de las enfermedades tromboembólicas venosas asociadas a cáncer oculto. Se sabe que un porcentaje no desdeñable de pacientes que sufren una trombosis venosa profunda o una embolia pulmonar acaban siendo diagnosticados de cáncer en los dos años siguientes.
Para abordar este problema, un hospital universitario español ha liderado un estudio multicéntrico que ha desarrollado un modelo predictivo de cáncer oculto basado en machine learning. Analizando 815 pacientes con eventos trombóticos y más de un centenar de variables, el algoritmo identificó un conjunto de 15 parámetros fácilmente obtenibles (edad, sexo, tensión arterial, dímero-D, hemoglobina, etc.) capaz de estimar con alta especificidad qué pacientes tienen más riesgo de albergar un tumor no diagnosticado.
IA a escala nanométrica: escaneo de células para detectar cambios mínimos
El concepto de escaneo 3D con IA no solo se aplica al cuerpo entero o a los órganos; también se está llevando al nivel celular y subcelular gracias a técnicas de microscopía avanzadas. Un buen ejemplo es la herramienta AINU (AI of the Nucleus), desarrollada por un consorcio internacional con fuerte participación española.
AINU analiza imágenes de células obtenidas con una técnica de superresolución llamada STORM, que permite visualizar estructuras internas con precisión nanométrica, es decir, de unas pocas decenas de nanómetros, mucho más allá de lo que permiten los microscopios ópticos convencionales.
A partir de estas capturas de altísima definición, la IA puede detectar reordenamientos en la organización del ADN y cambios sutilísimos en el núcleo celular que anticipan la presencia de un tumor o incluso una infección vírica. Los investigadores han mostrado que AINU es capaz de ver alteraciones en el núcleo apenas una hora después de infectar una célula con el virus del herpes simple tipo 1.
Estos cambios son imposibles de percibir para un observador humano con los métodos tradicionales, pero la resolución de los datos y la capacidad analítica del algoritmo permiten reconocer patrones específicos con enorme precisión. A futuro, esto podría traducirse en diagnósticos de cáncer o infecciones a partir de una simple muestra de sangre o tejido, ganando un tiempo muy valioso para iniciar tratamiento.
Los expertos implicados en el desarrollo de AINU apuntan a que este tipo de tecnologías podría facilitar estrategias de seguimiento mucho más finas de la respuesta a tratamientos, detectando recaídas o fallos terapéuticos cuando aún no hay signos clínicos ni alteraciones visibles en pruebas estándar.
Retos de la IA en el mundo real: validación, sesgos y “caja negra”
A pesar del entusiasmo, los propios investigadores subrayan que la mayoría de los algoritmos de IA para imagen oncológica están aún en fases relativamente tempranas de desarrollo y validación. Muchos modelos funcionan muy bien en los conjuntos de datos con los que se entrenan, pero no han sido probados de manera rigurosa en entornos y poblaciones distintas.
La llamada validación externa o independiente es clave: consiste en probar el algoritmo en pacientes de otros centros, con equipos de imagen diferentes y perfiles demográficos diversos. Solo así se puede saber si el modelo generaliza bien o si estaba demasiado “ajustado” a los datos originales.
Además, no basta con demostrar precisión diagnóstica; es necesario evaluar si la IA mejora de verdad resultados clínicos relevantes, como la supervivencia, la calidad de vida o la reducción de pruebas invasivas y costes. Para ello se requieren estudios clínicos bien diseñados, idealmente ensayos controlados, que comparen la atención estándar con la atención apoyada por IA.
Otro frente delicado es el de los sesgos y la equidad. Se ha demostrado que algunos algoritmos médicos tienen un rendimiento peor en determinadas poblaciones, como la población negra frente a la blanca, porque fueron entrenados mayoritariamente con datos de un solo grupo. Esto puede agravar desigualdades preexistentes en salud si no se corrige de forma proactiva.
Por último, muchos de los modelos más potentes son auténticas “cajas negras” cuyo funcionamiento interno resulta difícil de interpretar, incluso para sus creadores. Esto complica detectar errores, corregir sesgos y generar confianza en los profesionales sanitarios, que necesitan entender al menos en parte por qué una herramienta sugiere una decisión concreta.
Las agencias reguladoras, como la FDA en Estados Unidos, ya han aprobado decenas de dispositivos y algoritmos de IA, pero se enfrentan al desafío de vigilar sistemas que pueden cambiar su comportamiento con el tiempo a medida que se exponen a nuevos datos. Esto exige marcos normativos específicos para la IA adaptable y mecanismos continuos de monitorización.
Con todo lo anterior sobre la mesa, la foto que se dibuja es la de un campo en plena ebullición donde el escaneo 3D, las técnicas de imagen avanzadas y la inteligencia artificial están empezando a convertir en realidad lo que hace poco sonaba a ciencia ficción: detectar tumores minúsculos, mapear con exactitud milimétrica órganos complejos antes de una cirugía, distinguir qué lesiones necesitan intervenirse y cuáles no, o leer en el núcleo de las células señales precoces de cáncer y de infección. Quedan por delante retos importantes de validación, regulación y equidad, pero todo apunta a que, con más investigación y colaboración entre médicos, ingenieros y gestores sanitarios, estas herramientas se convertirán en aliados habituales en la lucha contra el cáncer, ayudando a tomar decisiones más rápidas, seguras y personalizadas para cada paciente.
