médical IA

Cirugía colorrectal: un modelo único segmenta la operación en fases sobre 54 vídeos y pierde un tercio de su rendimiento en cuanto un centro sale del entrenamiento

Publicado el 22 de agosto de 2026 · 14 min lectura

Trece autores del IHU Estrasburgo, del Gemelli y la Sapienza en Roma, del Policlinico de Milán y del Virgen Macarena de Sevilla entrenan un modelo único para segmentar automáticamente vídeos de cirugía colorrectal mínimamente invasiva en fases y pasos operatorios, a partir de 54 intervenciones procedentes de cuatro centros y de un conjunto de datos público alemán. El modelo alcanza un F1 macro del 73,01 % en fases y del 39,82 % en pasos, y supera a modelos entrenados centro por centro o procedimiento por procedimiento en la mayoría de las configuraciones probadas. El resultado más instructivo del artículo es el que desmonta el anterior: al retirar un centro del entrenamiento y evaluar el modelo sobre él, el F1 de fases cae al 48,42 % de media, y hasta el 37,49 % en el centro peor parado.

El contexto

La cirugía colorrectal mínimamente invasiva — colectomías y resecciones rectales por laparoscopia o por robot — se caracteriza por una gran variabilidad de práctica y resultados inconstantes de un cirujano y de un centro a otro. Para objetivar esa variabilidad, la disciplina se ha dotado de una herramienta: la video-based assessment (VBA), la evaluación a partir de la grabación de la intervención. El principio es simple — anotar el vídeo para saber quién hizo qué, en qué orden y durante cuánto tiempo — y alimenta la formación, la acreditación y la investigación sobre la relación entre gesto quirúrgico y complicaciones.

Para ello hace falta un vocabulario común. Ese es el objeto de ColoWorkflow, una ontología publicada en 2026 en BJS Open por parte del mismo equipo, construida mediante un proceso Delphi modificado con más de cuarenta expertos internacionales. Define 9 fases válidas para todos los procedimientos colorrectales (colocación de trocares y exploración, disección vascular, movilización del colon, transección, anastomosis, finalización, procedimientos adicionales previstos, procedimientos no previstos, tiempo extracorpóreo) y 34 pasos específicos de cada tipo de intervención. El problema es el coste: anotar manualmente un vídeo según ColoWorkflow requiere, según los autores, alrededor del 60 % de la duración del vídeo. A razón de dos horas y media por operación, la VBA no escala.

De ahí la tentación de automatizarla. El reconocimiento automático de fases quirúrgicas es un campo maduro — sobre el conjunto de datos Cholec80 de colecistectomías laparoscópicas, los modelos superan el 90 % de exactitud. Pero la colecistectomía es corta, muy estandarizada y se divide en pocas fases. En colorrectal, los trabajos existentes siguen siendo monoprocedimiento: Nakajima y cols. sobre resección sigmoidea, Kolbinger y cols. sobre resección rectal robótica. Ningún modelo había intentado aplicar una ontología única y consensuada a todo el espectro colorrectal. Ese es el hueco al que apunta este artículo.

El método

Los datos. Cincuenta y cuatro vídeos operatorios, de cinco fuentes: cuatro centros asociados anonimizados como «Centro 1» a «Centro 4» (situados en Italia, España y Francia, sin que se dé la correspondencia entre número y hospital), y el conjunto de datos público HeiCo de Heidelberg, que aporta por sí solo 22 de los 54 vídeos. Cinco tipos de intervención: hemicolectomía izquierda (n = 9), hemicolectomía derecha (n = 13), resección rectal (n = 10), resección sigmoidea (n = 12), proctocolectomía total (n = 10). Duración media de 141 ± 59 minutos, desde 93 ± 32 minutos para la hemicolectomía derecha hasta 210 ± 50 minutos para la proctocolectomía total. Las imágenes se extraen a un fotograma por segundo y se redimensionan a 224 × 224, para un total de 462 000 fotogramas. Desidentificación local mediante la aplicación Endoshare, anotación en la plataforma MOSaiC, aprobación ética del Policlinico Gemelli (ID 6456).

La anotación. Un único médico, formado en VBA y participante en el desarrollo de ColoWorkflow, anotó todo el corpus. De las 9 fases y 34 pasos de la ontología, se evalúan efectivamente 8 fases y 33 pasos: la fase P7 (procedimientos adicionales previstos) y el paso S25 (preparación del reservorio ileoanal) están ausentes del conjunto de prueba.

La arquitectura. Dos bloques. Primero un extractor visual: un vision transformer DINOv3 — un modelo de imágenes preentrenado de forma autosupervisada, es decir, sin etiquetas humanas, sobre corpus de imágenes genéricas muy grandes — afinado (fine-tuned) sobre las imágenes anotadas para producir una representación vectorial de cada fotograma. Después un modelo temporal: SAHC, una red convolucional temporal multietapa que apila convoluciones dilatadas causales, es decir, que solo miran al pasado — el modelo puede así, en principio, funcionar en directo durante la operación, sin esperar al final del vídeo. Cada etapa corrige las predicciones de la anterior, lo que reduce la sobresegmentación (el modelo que cambia de opinión cada dos segundos). La particularidad: un tronco temporal compartido con dos cabezas de salida, fase y paso, optimizadas simultáneamente mediante una entropía cruzada combinada con ponderación igual. La idea es que el contexto de fase regulariza la predicción de paso, y a la inversa.

Las particiones y los comparadores. Partición a nivel de caso — 32 vídeos de entrenamiento, 11 de validación, 11 de prueba — lo que impide que una misma intervención aparezca a ambos lados. El conjunto de prueba procede de las mismas cinco fuentes que el entrenamiento: los propios autores califican esta configuración de «el escenario más optimista». Cuatro comparadores: una línea base de «clase mayoritaria», modelos entrenados sobre un solo centro, modelos entrenados sobre un solo tipo de procedimiento, y una validación cruzada leave-one-centre-out (LOCO) que retira por turnos un centro del entrenamiento para evaluar el modelo sobre ese centro nunca visto. Una prueba de Wilcoxon pareada sobre los 11 vídeos de prueba compara el modelo con la línea base. El informe sigue una versión modificada de la guía QUAIDE.

Los resultados

La cifra principal. En el conjunto de prueba, AI-ColoWorkflow obtiene un F1 macro del 73,01 % ± 10,27 en fases (exactitud equilibrada 73,43 %, precisión 73,19 %, sensibilidad 73,43 %) y del 39,82 % ± 7,06 en pasos (exactitud equilibrada 38,65 %, precisión 48,36 %). La línea base de «clase mayoritaria» se queda en 6,71 % y 2,29 % (p = 0,001). Atención a la desviación típica: no se calcula sobre semillas aleatorias ni sobre pliegues de validación cruzada, sino entre los 11 vídeos de prueba. El 73,01 % procede de una sola partición.

Por fase. El tiempo extracorpóreo (P9) se reconoce con un 94,73 % de F1 — sin sorpresa: la imagen cambia radicalmente cuando la óptica sale del abdomen. Le siguen la disección vascular (P2, 76,58 %) y la anastomosis (P5, 75,27 %). En la parte baja de la tabla: los procedimientos no previstos (P8) con un 41,48 %, la transección colorrectal (P4) con un 64,11 %, y la finalización de la intervención (P6) con un 66,45 %, con una precisión del 82,55 % para una sensibilidad del 55,61 %.

Por paso. La tabla se publica íntegra, y es severa. Tres pasos superan el 79 %: cierre de la enterotomía derecha (S31, 84,61 %), transección distal derecha (S22, 81,53 %), exteriorización del segmento resecado (S21, 79,96 %). Pero dos pasos obtienen un F1 del 0,00 % — preparación de la anastomosis intracorpórea derecha (S29) y suturas adicionales (S32) — porque son demasiado raros en el conjunto de prueba. El paso S23 muestra una precisión del 100 % con una sensibilidad del 3,88 %, es decir un F1 del 7,46 %: el modelo casi nunca lo predice, pero cuando lo hace, acierta. Los autores escriben sin rodeos que algunos pasos cortos tenían menos fotogramas de entrenamiento que de prueba.

Global frente a especializado. En fases, el modelo global supera a los modelos monocentro en 4 de 5 casos (Centro 2: +18,9 puntos; Centro 4: +14,3; Centro 1: +9,1; Centro 3: −1,0) y a los modelos monoprocedimiento en 4 de 5 (proctocolectomía +10,4; sigmoidea +10,2; rectal +6,6; hemicolectomía derecha +1,8; hemicolectomía izquierda −2,2). En pasos, supera a los modelos monocentro en 4 de 5 (hasta +23,4 en el Centro 4) pero solo en 2 de 5 monoprocedimiento: la hemicolectomía derecha pierde 10,2 puntos y la resección rectal 5,7 frente a un modelo dedicado.

La prueba de generalización. Aquí es donde el artículo se vuelve interesante. En LOCO, el F1 medio de fases sobre el centro nunca visto es del 48,42 %, frente al 61,59 % sobre los centros que permanecieron en el entrenamiento en los mismos pliegues, y al 73,01 % del modelo global. El rango va del 37,49 % (Centro 2) al 65,78 % (Centro 4). Expresado como tasa de retención respecto al modelo global, eso da del 51,3 % al 90,1 %: el Centro 4 conserva nueve décimas partes del rendimiento sin sus propios vídeos en el entrenamiento, el Centro 2 conserva la mitad. En pasos, la caída es aún más marcada: 21,94 % de media sobre el centro retirado, frente al 40,61 % sobre los centros vistos.

La ablación. Entrenar conjuntamente fase y paso en lugar de por separado aporta +2,8 puntos de F1 en fase (70,2 % → 73,0 %) y +1,7 puntos en paso (38,1 % → 39,8 %).

Traducción operativa. Una exactitud equilibrada del 73,43 % en fase significa que, de media sobre las ocho fases, algo menos de tres de cada cuatro fotogramas reciben la etiqueta correcta. En una intervención de 141 minutos, eso basta para proponer una presegmentación que un anotador humano corrige — que es precisamente el uso previsto — pero no para producir una duración de fase utilizable sin revisión. Con un 38,65 % en pasos, la cronología fina no es utilizable tal cual. La ganancia sobre el 60 % de duración de vídeo que cuesta la anotación manual no queda por tanto demostrada: es plausible a nivel de fases, no lo es a nivel de pasos.

Lo que está bien

El experimento LOCO se publica, y contradice el titular. Nada obligaba a los autores a retirar un centro cada vez y publicar el desplome resultante. Lo hacen, dan los cinco pliegues, y llegan a calcular una tasa de retención por centro — 51,3 % para el Centro 2, 90,1 % para el Centro 4 — para después extraer la conclusión que les perjudica: «el rendimiento del modelo global en estos centros depende en gran medida de la presencia de ejemplos de entrenamiento locales, un hallazgo con implicaciones directas para la adopción de AI-ColoWorkflow en instituciones nuevas y pobres en datos». Es exactamente la frase que la mayoría de artículos de este formato no escriben.

La tabla por clase es íntegra, no resumida. Las 8 fases y los 33 pasos se publican con precisión, sensibilidad y F1, desviaciones típicas incluidas. Es lo que permite ver que el 39,82 % de paso engloba dos clases a cero y una clase con un 100 % de precisión para un 3,88 % de sensibilidad. Un artículo que publicara solo la media macro contaría la misma historia sin permitir verificarla. A ello se suman tres decisiones correctas: partición a nivel de caso, F1 macro como métrica principal en lugar de una exactitud dominada por las fases largas, y una línea base de «clase mayoritaria» acompañada de una prueba estadística.

Las derrotas se comunican con la misma precisión que las victorias. El modelo global pierde frente al modelo monoprocedimiento en la hemicolectomía derecha (−10,2 puntos en paso) y en la resección rectal (−5,7), y frente al modelo monocentro en el Centro 3 (−1,0 en fase) y en HeiCo (−1,5 en paso). Los autores extraen una recomendación matizada — entrenamiento global para las fases, especialización conservada para los pasos de procedimientos con ontología restringida — en lugar de un «nuestro modelo gana». La ablación multitarea va en la misma línea: se cuantifica en +2,8 y +1,7 puntos, es decir, modesta, y se presenta como tal.

Lo que está menos bien

El F1 macro de paso es una media de ruido. Es el modo de fallo de la métrica engañosa en una variante poco discutida: agregar 33 clases por media no ponderada cuando varias de ellas solo se miden sobre un único vídeo de prueba. Las desviaciones típicas lo delatan — S8, S9, S31 y S32 muestran desviaciones de 0,00, lo que significa que la clase solo aparece en un vídeo; S23 muestra una precisión de «100,00 ± 32,69», una media del 100 % acompañada de una desviación de 32,69, lo que no es interpretable tal cual. Los autores reconocen que algunos pasos tenían menos fotogramas de entrenamiento que de prueba, lo que hace, escriben, «imposible un aprendizaje fiable». Por tanto, el 39,82 % no es un rendimiento: es la media de una veintena de mediciones informativas y de una decena que no miden nada.

Once vídeos de prueba, y ningún intervalo de confianza sobre las comparaciones que sostienen la conclusión. La prueba de Wilcoxon solo se aplica frente a la línea base de «clase mayoritaria», es decir, frente a un adversario del 6,71 % — una victoria que no enseña nada. No se comunica ninguna prueba entre el modelo global y los modelos especializados, que es justamente donde se juega la tesis del artículo. Y varias de las diferencias invocadas son minúsculas: +1,8 puntos en la hemicolectomía derecha, −1,0 en el Centro 3, −1,5 en HeiCo. Con uno o dos vídeos de prueba por centro, esas diferencias son indistinguibles del ruido de muestreo. El sesgo de población tampoco es caracterizable: no se comunican datos demográficos de los pacientes, ni número de cirujanos, ni reparto robot/laparoscopia, ni años de recogida — los propios autores mencionan la robustez frente a cambios de cámara, iluminación y plataforma robótica como trabajo futuro.

La verdad de referencia, la reproducibilidad y los intereses. Un único anotador, y ese anotador codesarrolló la ontología que aplica: la regla y su aplicación no son independientes. En este estudio no se mide ningún acuerdo entre observadores — los autores remiten al acuerdo «moderado» del artículo original de ColoWorkflow, sin cifra. En cuanto a la reproducibilidad, el texto recuperable no contiene ninguna declaración de disponibilidad del código, de los pesos ni de los datos, y el preprint no precisa ni la variante de DINOv3 utilizada, ni el número de etapas de SAHC, ni la tasa de aprendizaje, ni el número de épocas; de las cinco fuentes, solo HeiCo es pública. Por último, dos autores — Pietro Mascagni y Nicolas Padoy — declaran ser cofundadores y accionistas de la empresa Scialytics, que opera precisamente en el análisis de vídeo quirúrgico; y los trabajos «Marginal Gains» citados como estado del arte inmediato están cofirmados por tres de los autores de este artículo. Nada de esto se oculta, todo se declara, pero el conjunto describe un ecosistema en el que autores de la ontología, anotador, evaluadores y beneficiario comercial se solapan ampliamente.

Lo que esto cambia

Para la comunidad investigadora. La cifra reutilizable de este artículo no es el 73,01 %: es el 48,42 %. Es la primera medición publicada de lo que vale un modelo de reconocimiento de flujo operatorio colorrectal en un centro que nunca ha visto, bajo una ontología consensuada y a través de cinco tipos de intervención. Cualquier método posterior — aprendizaje federado, adaptación de dominio, aumento de escala — deberá compararse con ese número y con su dispersión del 37,49 al 65,78. La segunda enseñanza es la disociación entre las dos granularidades: agrupar los datos de todos los centros ayuda claramente a nivel de fases, pero no sistemáticamente a nivel de pasos, donde un modelo dedicado a un procedimiento de ontología restringida conserva la ventaja. Eso aboga por estrategias híbridas, y no por un modelo único más. La tercera la formulan explícitamente los autores y vale más allá de la cirugía: la distribución de cola larga de los gestos clínicamente importantes pero infrecuentes «no es resoluble solo mediante decisiones de arquitectura» y exige corpus anotados sustancialmente mayores.

Para los clínicos. Nada hoy. No se menciona ningún estatus regulatorio, no ha habido validación prospectiva, y la relación entre los patrones detectados y los resultados clínicos — duración operatoria, complicaciones, curvas de aprendizaje — sigue, por admisión de los autores, «pendiente de investigar». La lectura útil es la siguiente: en un centro que aportó vídeos de entrenamiento, una presegmentación en fases revisada por un humano está plausiblemente al alcance; en un centro que no aportó ninguno, el modelo pierde entre un 10 y un 49 % de su rendimiento según el sitio, y la cuestión de cuántos vídeos locales hacen falta para cerrar esa brecha no se aborda. Esa es exactamente la pregunta que hay que plantear a cualquier proveedor que ofrezca esta herramienta.

Para los pacientes y el público general. Lo que está en juego de fondo no es un algoritmo, sino una idea: medir la calidad de una cirugía por algo distinto de sus complicaciones, mirando lo que realmente ocurrió durante la intervención. El vídeo operatorio hace posible esa medición, y automatizarla la haría generalizable. El estado honesto del expediente, a estas alturas, es el de una prueba de viabilidad preclínica: la segmentación gruesa de la operación empieza a funcionar, la segmentación fina todavía no, y nada dice qué ocurre en un hospital que no participó en el entrenamiento.

Para saber más