Cribado del cáncer de cuello uterino con IA: lo que revela una validación en cuatro países

Un equipo del Centro Alemán de Investigación del Cáncer (DKFZ, Heidelberg) y socios camboyanos entrenó un modelo multitarea con 696 imágenes de colposcopia de Alemania y la India para distinguir, a partir de una sola foto, qué lesiones del cuello uterino requieren tratamiento (CIN2+) de las que no. El modelo supera la anotación humana en la cohorte alemana — detecta el 71 % de las lesiones a tratar frente al 51 % del lector humano — y alcanza un AUC de 0,80 en un conjunto indio independiente, pero se desploma a 0,54 en Rumanía, el nivel del azar. Es una de las primeras validaciones honestas en varios países de un cribado cervical por IA, y su principal lección no es la precisión interna sino el muro de la generalización.

El contexto

El cáncer de cuello uterino es uno de los pocos cánceres que casi se puede prevenir por completo: vacunación contra el papilomavirus (VPH), cribado y tratamiento de las lesiones precancerosas. La Organización Mundial de la Salud lo ha fijado como objetivo de eliminación, y los programas de cribado pueden reducir la mortalidad hasta en un 80 %. Pero ese cribado depende de una cadena de pericia — citología, colposcopia, biopsia, anatomía patológica — que escasea de forma crítica en los países de ingresos bajos y medios, donde la enfermedad más mata.

La colposcopia es el examen clave: el clínico aplica ácido acético en el cuello uterino, lo que blanquea las zonas anómalas (la llamada reacción «acetoblanca»), y luego juzga a ojo la gravedad de las lesiones. Estas lesiones precancerosas se gradúan como neoplasia intraepitelial cervical (CIN), de CIN1 (bajo grado, a menudo regresa sola) a CIN3 y cáncer invasivo. El umbral clínico que importa es CIN2+: a partir de CIN2 se trata; por debajo se vigila. La lectura de las imágenes de colposcopia es subjetiva y depende mucho de la experiencia del operador — de ahí el interés de un apoyo algorítmico. El problema, señalan los autores, es que casi todos los modelos publicados se desarrollaron y validaron con datos privados de un solo país. Nadie había medido de verdad cuánto valen en otros lugares.

El método

La entrada del modelo es deliberadamente mínima: una sola imagen acetoblanca por paciente, sin citología, sin tinción con yodo, sin datos clínicos adicionales. Esta elección busca la facilidad de despliegue en entornos con pocos recursos. La salida es una clasificación binaria, CIN1− (normal + CIN1) frente a CIN2+ (a tratar).

El truco central es el aprendizaje multitarea (multi-task learning): la red aprende a la vez dos cosas, clasificar la imagen (CIN1−/CIN2+) y segmentar la zona de la lesión (dibujar su contorno). La segmentación no es el producto final — es una tarea auxiliar que obliga al modelo a centrar sus representaciones internas en la región correcta de la imagen en lugar de en indicios espurios. La arquitectura base es una EfficientNet-B4 (una red convolucional preentrenada en ImageNet) con dos cabezas, una de clasificación y otra de segmentación, que trabaja sobre imágenes de 320 × 320 píxeles. A esto se añaden una fuerte ampliación de datos, ampliación en el momento de la prueba y un ensemble de cinco modelos cuyas probabilidades se promedian.

Los datos de entrenamiento son modestos: 696 imágenes (539 alemanas de una base privada, 157 indias del banco público IARC de la OMS), más 174 imágenes de validación. La verdad de referencia es la histopatología — el resultado de la biopsia, el patrón oro. Para el entrenamiento multitarea, las máscaras de lesión y las etiquetas se produjeron en dos pasos: delimitación y gradación por dos estudiantes de medicina, y luego revisión y corrección por un ginecólogo experto. Conviene señalar de entrada que los autores declaran un protocolo estricto de separación de datos para evitar la fuga de información (data leakage): ninguna paciente del test aparece en el entrenamiento.

Los resultados

En la cohorte interna alemana (177 imágenes), el modelo se compara con la anotación humana, ambas evaluadas frente a la histopatología. Lo hace mejor en la métrica que más importa en el cribado, la sensibilidad (la proporción de lesiones reales detectadas): 0,71 frente a 0,51 del humano. Su precisión equilibrada sube de 0,64 (humano) a 0,68. En cambio, el humano sigue siendo mejor en especificidad (0,81 frente a 0,69) — es decir, dispara menos falsas alarmas.

La verdadera prueba es la validación externa sobre 462 casos de tres países nunca vistos en el entrenamiento: India (197 casos), Camboya (165) y Rumanía (100). El AUC — el área bajo la curva ROC, que mide la capacidad de separar un caso positivo de uno negativo, siendo 1,0 perfecto y 0,5 el azar — dicta el veredicto: 0,74 en Alemania, 0,80 en la India, 0,60 en Camboya, 0,54 en Rumanía. Dicho de otro modo, de un país a otro el modelo oscila entre «útil» y «cara o cruz». Supera a sus comparadores (dos arquitecturas previas reimplementadas, ResNet-152 y DeepLabv3+) en especificidad a alta sensibilidad en los cuatro países; pero en AUC puro, en Camboya y Rumanía, un simple DeepLabv3+ lo hace mejor.

La traducción clínica es severa. Ajustado para detectar el 90 % de las lesiones a tratar, el modelo tiene una especificidad de apenas 0,28 en Alemania. Entre 1.000 mujeres realmente libres de CIN2+, eso supone unas 720 falsas alarmas — otras tantas colposcopias de control, biopsias y angustias evitables. A ese nivel de sensibilidad la herramienta detecta casi todo, pero a costa de una avalancha de falsos positivos que la haría, por sí sola, inmanejable en la rutina.

Lo que está bien

Una validación multipaís realmente externa. Donde la literatura se conforma con una cohorte de un solo hospital, este trabajo mantiene tres países enteros fuera del entrenamiento (India, Camboya, Rumanía, dos de ellos conjuntos públicos, IARC VIA y AnnoCerv) y publica sin maquillaje la caída de rendimiento. Esta honestidad sobre la brecha entre datos internos y externos es justo lo que falta en el 90 % de los anuncios del campo.

Una entrada mínima pensada para el terreno. Una sola imagen acetoblanca, sin metadatos clínicos: es precisamente lo que un dispositivo de cribado de bajo coste puede producir en un dispensario rural. El modelo no presupone una plataforma técnica de la que los países objetivo carecen.

Una demostración nítida del aporte del multitarea. El estudio de ablación es riguroso: añadir la segmentación auxiliar es el gesto más rentable, y el modelo supera la anotación humana en sensibilidad — la métrica que, en cribado, salva vidas (un falso negativo es un cáncer no detectado).

Lo que está menos bien

Un sesgo de población que salta a la vista. El AUC cae de 0,74 (Alemania) a 0,54 (Rumanía). El entrenamiento abarca solo dos países y sigue dominado por Alemania, donde la prevalencia de CIN2+ llega a 0,64 frente al 0,20–0,37 de los demás. El modelo aprendió una distribución que no se parece al resto del mundo: es el sesgo de población de manual, y descarta cualquier despliegue «global» en esta etapa pese al título.

Métricas a leer con prudencia. El AUC se reporta con honestidad, pero una especificidad de 0,28 al 90 % de sensibilidad es, en la práctica, difícil de usar. Y algunas formulaciones rozan la métrica engañosa: la «reducción de 87 puntos» de AUC anunciada para las pacientes con comorbilidades corresponde a una caída absoluta de 0,35, sobre apenas once casos — un subgrupo demasiado pequeño para concluir. En cuanto al comparador, el hecho de que un DeepLabv3+ estándar supere al modelo en AUC en dos de los cuatro países matiza la afirmación de superioridad.

Reproducibilidad e independencia limitadas. Ni el código ni los pesos se publican; los datos privados alemanes y camboyanos no son accesibles. La evaluación es retrospectiva, sin ningún despliegue clínico prospectivo — el título dice «hacia» (towards), no «en la clínica». Por último, ninguna declaración de conflicto de intereses acompaña al artículo aunque una empresa comercial (PAiCON GmbH) figura entre las afiliaciones; la financiación proviene de la fundación Dieter Schwarz.

Lo que cambia

Para la comunidad investigadora, este artículo instaura un estándar útil: probar una herramienta de cribado por IA en varios países antes de hablar de alcance «global», y publicar las brechas. También documenta que los modelos de fundación y el aprendizaje autosupervisado no aportan nada aquí por falta de datos — una señal clara de que el cuello de botella es construir conjuntos anotados multipaís, no la arquitectura.

Para los clínicos, hoy no cambia nada. Un AUC que va de 0,54 a 0,80 según el país, sin validación prospectiva ni autorización regulatoria, no es una herramienta de triaje desplegable. En el mejor de los casos es una prueba de concepto para un futuro apoyo a la decisión, a condición de un reentrenamiento local.

Para las pacientes y el público, la promesa — un triaje automatizado del cuello uterino allí donde escasean los colposcopistas — sigue siendo real pero lejana. Sobre todo, este trabajo muestra que lo difícil no es vencer al ojo humano en un conjunto limpio, sino aguantar de un país, una cámara y una población a otra. Hasta que ese muro no se franquee, cautela ante cualquier anuncio de cribado del cáncer «por IA, en todas partes».

Para saber más

El preprint: Towards Global AI-Driven Cervical Cancer Screening (arXiv:2606.15019, DOI 10.48550/arXiv.2606.15019). Los conjuntos de datos públicos utilizados: la IARC Colposcopy Imagebank de la OMS y el conjunto rumano AnnoCerv (Socolov et al.). Sobre el objetivo de eliminación, véase la estrategia mundial de la OMS contra el cáncer de cuello uterino.