Diagnosticar la leucemia mieloide aguda en el mielograma: un pipeline «célula a paciente» que esquiva el recuento de blastos (arXiv, 2026)

Publicado el 9 de junio de 2026 en arXiv, este preprint propone un pipeline de deep learning que lee un frotis de médula ósea célula a célula y luego agrega esos cientos de observaciones en una puntuación por paciente para apoyar el diagnóstico de leucemia mieloide aguda (LMA). Entrenado y validado en 258 pacientes de seis centros — 89 de ellos reservados para validación externa —, mantiene un F1 ponderado de 0,87 a 0,91 en tres centros nunca vistos durante el entrenamiento. El trabajo aborda el eslabón correcto, el paso de la célula al paciente que la mayoría de los estudios ignora, y lo pone a prueba con honestidad fuera de su terreno. Pero el objetivo que el modelo aprende es una categoría morfológica compuesta, explícitamente distinta del blasto leucémico, y el preprint no reporta ninguna sensibilidad ni especificidad diagnóstica a nivel de paciente, ningún código, ninguna comparación con un citólogo humano.

El contexto

La leucemia mieloide aguda es un cáncer de la sangre en el que células inmaduras de la línea mieloide, los blastos, invaden la médula ósea e impiden la producción normal de células sanguíneas. Su diagnóstico se apoya históricamente en el mielograma: médula extendida sobre un portaobjetos, teñida y luego examinada al microscopio por un citólogo que identifica, cuenta y clasifica cientos de células para estimar, en particular, el porcentaje de blastos. Las clasificaciones de referencia (OMS, ICC) emplean clásicamente un umbral en torno al 20 % de blastos — modulado por la genética — para establecer el diagnóstico.

Ese recuento manual es lento, fatigoso y sujeto a una notable variabilidad entre observadores. De ahí una larga tradición de trabajos de IA que aprenden a clasificar una célula medular aislada a partir de conjuntos de datos públicos. El problema es que clasificar bien una célula no dice cómo diagnosticar a un paciente: hay que agregar cientos de veredictos celulares en una sola decisión, y hacerlo sobre láminas de otros hospitales, otras tinciones, otros microscopios. Es precisamente ese eslabón — el paso célula a paciente y su generalización — lo que este preprint busca tratar de principio a fin.

El método

El trabajo, firmado por Yuqi Ma, Tianyi Wang, Xiaodong Mo, Gen Yang y colegas, reúne 258 pacientes de seis centros anonimizados: una cohorte principal de 169 pacientes (centros 1 a 3) para el desarrollo, y una cohorte de validación externa de 89 pacientes (centros 4 a 6) nunca vista durante el entrenamiento. Las células se describen mediante un vocabulario de anotación de 16 categorías que abarca las grandes líneas (granulocítica, monocítica, eritroide, linfoide, eosinofílica, etc.).

Una elección central y discutible: en lugar de apuntar al blasto leucémico en sentido diagnóstico estricto — difícil de anotar de forma reproducible —, los autores definen un objetivo compuesto, las CBLC (Composite Blast-like Cells, «células de aspecto blástico»), una agrupación de ocho tipos morfológicos (N, N1, M, M1, R, R1, J, J1) según un estándar interno del proyecto. El modelo aprende así a detectar células que se parecen a blastos, no el blasto definido por los criterios clínicos.

El pipeline tiene dos etapas. Primero un módulo de segmentación YOLO («You Only Look Once», una familia de redes que localizan objetos en una imagen en una sola pasada), congelado, detecta las células; sus contornos predichos se emparejan con los polígonos trazados por los expertos mediante una IoU de contorno (la Intersección sobre Unión mide el solapamiento entre dos formas, de 0 a 1), y se recortan viñetas monocelulares estandarizadas. Luego un clasificador EfficientNet-B0 (una red convolucional compacta y económica) asigna una categoría a cada viñeta. Su entrenamiento sigue una estrategia en dos etapas, GT-to-YOLO y luego YOLO-to-YOLO: el clasificador se aprende primero sobre recortes de la verdad de referencia experta (ground truth), y luego se readapta sobre los recortes realmente producidos por YOLO — para ajustarse a las condiciones de inferencia y no a células perfectamente delineadas. A esto se suman una corrección del desequilibrio de clases, una regularización «center-border» (penalizar lo que depende de los bordes en lugar del centro de la célula) y una supervisión asistida por la morfología. Los veredictos celulares se agregan finalmente en una razón de CBLC por paciente, que sirve de apoyo al diagnóstico orientado a la LMA.

Los resultados

En la validación externa, el pipeline (en conjunto) alcanza un F1 ponderado de 0,9076 en el centro 4, 0,8696 en el centro 5 y 0,9124 en el centro 6. El F1 es la media armónica de la precisión y la exhaustividad (recall); «ponderado» significa que cada categoría pesa en proporción a su tamaño. La validación interna se describe como «estable», sin cifra detallada en el resumen. El rendimiento se mantiene, pues, a un nivel comparable en tres centros no vistos, que es el argumento fuerte del artículo.

Traducción clínica: lo que estas cifras miden es la calidad del cribado celular — la capacidad de etiquetar correctamente las células de una lámina, centro por centro. Tal como están, no dicen nada del rendimiento diagnóstico final: el resumen no reporta ni sensibilidad, ni especificidad, ni valor predictivo a nivel de paciente, ni el umbral de razón CBLC que inclinaría a un paciente hacia «LMA probable». Sabemos cribar las células; aún ignoramos con qué fiabilidad diagnosticaríamos a un enfermo.

Lo que está bien

El problema correcto, abordado de principio a fin. Donde la mayoría de los trabajos se detiene en la clasificación de una célula aislada, este pipeline trata explícitamente la agregación célula a paciente y construye una puntuación por enfermo. Es el eslabón realmente útil, con demasiada frecuencia escamoteado, entre una demostración de laboratorio y una herramienta de ayuda al diagnóstico.

Una validación externa ya en la fase de preprint. Reservar 89 pacientes de tres centros completamente distintos, y mantener allí un F1 ponderado en torno a 0,87–0,91, es más exigente que una simple validación cruzada interna. Es precisamente la precaución que falta en muchas publicaciones del campo, y hace creíble la señal de generalización.

Un entrenamiento realista frente al desfase de inferencia. La estrategia YOLO-to-YOLO, que reentrena el clasificador sobre los recortes imperfectos realmente producidos por el detector en lugar de sobre células perfectamente delineadas, anticipa la degradación en condiciones reales. Es el tipo de higiene metodológica que distingue un prototipo optimista de un sistema pensado para funcionar fuera del banco de pruebas.

Lo que está menos bien

Un objetivo que es un proxy, no el diagnóstico (modo de fallo: la definición de tarea engañosa). Las CBLC son una categoría compuesta «de aspecto blástico», definida por el proyecto y explícitamente separada del blasto leucémico. Pero el diagnóstico de LMA se apoya en un porcentaje de blastos y en la genética. Medir una razón de CBLC no es medir un diagnóstico, y el vínculo entre esa razón y la decisión clínica — qué umbral, para qué sensibilidad — no está validado aquí.

Métricas a nivel de célula, no de paciente (modo de fallo: la métrica engañosa). La única cifra publicada es un F1 ponderado por célula. Tal F1 está dominado por las clases abundantes — las células normales —, de modo que puede mantenerse alto aunque la detección de las CBLC, raras y decisivas, sea mediocre. Ninguna sensibilidad ni especificidad a nivel de paciente, ninguna curva ROC y, sobre todo, ninguna comparación con un citólogo humano: no podemos saber, por tanto, si la herramienta lo haría mejor, igual o peor que un experto.

Reproducibilidad y representatividad inciertas (modos de fallo: reproducibilidad y sesgo de población). No se publica ningún código ni pesos, y la licencia CC BY-NC-ND 4.0 (uso no comercial, sin derivados) impide de hecho la explotación y la extensión. Los datos provienen de «centros anonimizados» no públicos, sobre un efectivo pequeño (258 pacientes, 89 externos). Nada se dice sobre la diversidad de los protocolos de tinción o de los microscopios — un terreno clásico de shortcut learning, donde el modelo aprende la firma de una tinción en lugar de la biología de la célula. Por último, el resumen no menciona ni financiación ni conflictos de interés.

Lo que cambia

Para la comunidad de investigación, el mensaje es doble: el paso célula a paciente merece tratarse como un problema de pleno derecho, y la validación externa debería ser la norma en la fase de preprint, no un añadido posterior. La idea de un objetivo compuesto robusto (las CBLC) en lugar del blasto estricto, difícil de anotar, es reutilizable para sortear la rareza y la ambigüedad de las anotaciones — siempre que luego se mida su valor diagnóstico real.

Para los clínicos, hoy nada cambia en el laboratorio. Es un preprint aún no revisado por pares, sin métrica diagnóstica a nivel de paciente y sin comparación con citólogos. El reflejo útil, ante este tipo de herramienta, es exigir la sensibilidad y la especificidad por paciente y el umbral de decisión adoptado, no un F1 celular que halaga las apariencias.

Para los pacientes y el público, la lección es mesurada: la automatización del mielograma avanza de verdad, pero «clasificar bien las células» no es todavía «diagnosticar bien la leucemia». La promesa de un segundo lector digital, rápido y constante, sigue siendo creíble; su valor se juzgará en estudios que midan el diagnóstico establecido, y no solo la calidad del cribado.

Para profundizar

El preprint completo está disponible en arXiv:2606.10735 (DOI 10.48550/arXiv.2606.10735), publicado el 9 de junio de 2026, bajo licencia CC BY-NC-ND 4.0, clasificado en cs.CV y physics.med-ph, con cuatro figuras. Para el marco diagnóstico de la LMA y el papel del porcentaje de blastos, los criterios de la clasificación de la OMS de los tumores hematopoyéticos y de la International Consensus Classification (ICC) siguen siendo la referencia; para la clasificación celular de médula por IA, los conjuntos de datos públicos de citología medular (Matek y colegas) ofrecen un punto de comparación.