Puntuación PD-L1 en el cáncer de pulmón: TPS-Guard envía al patólogo las preparaciones en las que sus 15 modelos discrepan, una vía sólida probada en un solo centro y con un solo anticuerpo
Un equipo de la Universidad de Warwick y de los hospitales universitarios de Coventry presenta un sistema que calcula automáticamente la puntuación PD-L1 (TPS) en preparaciones de cáncer de pulmón no microcítico y envía a un patólogo, con un motivo, las estimaciones en las que 15 modelos discrepan más. En 114 preparaciones de un solo centro no vistas durante el entrenamiento, el error del modelo (6,96 puntos) se mantiene dentro del rango de tres patólogos (4,24 a 8,29), y su incertidumbre señala justamente las preparaciones en las que los propios patólogos discrepan. La idea de triaje es sólida, pero el error se triplica con datos externos teñidos con otro anticuerpo, las alertas se ajustaron sobre la cohorte que sirve para evaluarlas y ningún estudio muestra todavía qué cambian en el informe real.
El contexto
En el cáncer de pulmón no microcítico (CPNM) avanzado, la elección de una inmunoterapia depende en parte de una cifra: el tumor proportion score (TPS), el porcentaje de células tumorales cuya membrana se tiñe, aunque sea débilmente, con la inmunohistoquímica anti-PD-L1 (una tinción que revela la proteína PD-L1 en la preparación). Importan dos umbrales: 1 % y 50 %. Por encima del 50 %, el pembrolizumab puede proponerse en monoterapia de primera línea.
La puntuación se estima a simple vista, y los patólogos no siempre coinciden: hay que distinguir las células tumorales de los macrófagos, que también se tiñen, reconocer una tinción parcial y extrapolar sobre tejidos heterogéneos, a veces una pequeña biopsia. Varios estudios han mostrado que la diferencia entre lectores puede superar la diferencia entre anticuerpos. Las herramientas automáticas existentes (Hondelink et al. 2022, van Eekelen et al. 2024) miden una concordancia media sobre una cohorte, sin decir qué estimación individual merece una segunda revisión. Esa es la pregunta de este preprint: ¿puede un algoritmo señalar sus propias dudas, y coinciden esas dudas con los casos difíciles para el ser humano?
El método
El sistema sigue los pasos de una lectura humana. Primero, delimitar el tumor: las preparaciones digitalizadas se cortan en cuadrados (patches) de 224 × 224 píxeles, descritos por Virchow2, un foundation model de patología (una gran red preentrenada con millones de imágenes de tejidos y reutilizable para muchas tareas), y después se clasifican en tumor, no tumor o zona rica en macrófagos, que se excluye. Luego, contar: la red D2Count-Net tiene dos ramas, una que detecta cada célula (eficaz cuando están separadas) y otra que estima un mapa de densidad (más fiable cuando están apiñadas), ponderadas según la celularidad del tejido. El TPS es el número de células tumorales positivas dividido por el total de células tumorales.
Por último, TPS-Guard: quince modelos entrenados de forma independiente producen cada uno un TPS, y su desviación típica sirve como medida de incertidumbre. El 15 % de las preparaciones más inciertas se envía al patólogo; las demás se «autoinforman», y el patólogo sigue siendo responsable de cada informe. Tres alertas indican un motivo: posible sobreestimación en torno al 1 %, posible infraestimación en torno al 50 % o demasiadas pocas células tumorales analizadas.
Los datos proceden de un único hospital, University Hospitals Coventry and Warwickshire: 154 preparaciones de 152 pacientes (edad media 70 años, 65 % mujeres), teñidas con el anticuerpo SP263 y digitalizadas en un único escáner Philips. El 45 % tiene un TPS inferior al 1 % y el 14 % un TPS de al menos el 50 %. Las anotaciones celulares abarcan 42 preparaciones y 50 615 núcleos, de los que solo el 6,2 % son células tumorales positivas. Tres patólogos (de nivel adjunto y en formación) puntuaron cada preparación a ciegas; la referencia es la media de los tres. El análisis principal se centra en las 114 preparaciones nunca usadas en el entrenamiento, y tanto el modelo como cada patólogo se comparan también con la media de los otros dos lectores. La validación externa utiliza el conjunto público IGNITE (Nimega, Países Bajos, y Negrar, Italia): 98 regiones de 21 pacientes, teñidas con E1L3N o SP263, en otros tres escáneres.
Los resultados
En las 114 preparaciones, el error absoluto medio (MAE, la diferencia media en puntos porcentuales con la referencia) es de 6,70 puntos, frente a 6,41 puntos entre dos patólogos. Frente a la media de los otros dos lectores, los patólogos obtienen 4,24, 5,49 y 8,29 puntos y el modelo 6,96: 0,95 puntos más que un patólogo aislado (intervalo de confianza del 95 %: −0,53 a 2,48). El modelo infraestima las puntuaciones altas (sesgo medio de −5,0 puntos).
El resultado central se refiere a la incertidumbre. Está correlacionada con el error del modelo (correlación de Spearman ρ = 0,77) y con el desacuerdo entre patólogos (ρ = 0,71). El error medio pasa de 0,6 puntos en el cuarto de preparaciones menos inciertas a 16,4 puntos en el cuarto más incierto. Tras derivar 17 preparaciones (14,9 %), el error en las 97 restantes baja a 4,96 puntos, al nivel de la diferencia entre patólogos en esas mismas preparaciones (4,93).
En los umbrales clínicos, el panorama es más matizado. En el 50 %, el modelo clasifica mal el 5,6 % de las preparaciones, frente al 6,1 % de un patólogo aislado; en el 1 %, el 19,9 % frente al 17,5 %. La sensibilidad en el umbral del 50 % (proporción de preparaciones realmente ≥ 50 % reconocidas como tales) es de 10 de 16, y el triaje no la mejora: deriva cuatro de los seis falsos negativos, pero también ocho de los diez verdaderos positivos. Traducción, según nuestros cálculos sobre estos efectivos pequeños: de 1 000 preparaciones con el mismo perfil, unas 140 estarían por encima del 50 % y el modelo solo situaría unas 50 por debajo, otros tantos pacientes para quienes la inmunoterapia en monoterapia podría no discutirse sin una segunda lectura.
En externo, sin reentrenamiento, el MAE sube a 21,12 puntos: 11,06 en las regiones teñidas con SP263, el anticuerpo de desarrollo, pero 29,66 con E1L3N, nunca visto en el entrenamiento. Un fine-tuning (reentrenamiento parcial con datos locales) solo lo reduce a 19,05. La clasificación por incertidumbre sigue siendo útil: al derivar del 10 % al 50 % de las regiones, el error de los casos restantes pasa de 20,5 a 12,4 puntos.
Lo que está bien
Primero, la pregunta es la correcta. En lugar de pretender sustituir al patólogo, el artículo busca cuándo es fiable la cifra automática, y lo muestra con una medida sencilla: el desacuerdo entre 15 modelos predice a la vez el error de la máquina y la divergencia humana. Cada alerta va acompañada de un motivo legible, lo que la convierte en una herramienta de revisión y no en una caja negra.
Segundo, la comparación con los lectores es honesta. El modelo se juzga con el mismo protocolo que cada patólogo, frente a la media de los otros dos, con intervalos de confianza, y los resultados con las puntuaciones originales (tres se corrigieron a posteriori) se publican en el material suplementario.
Tercero, las malas noticias están en el texto principal: el desplome con E1L3N, la débil sensibilidad en el 50 %, la fusión de las dos ramas superada por la detección sola tras la adaptación, el desequilibrio de las anotaciones. El conjunto externo es público, lo que permite una comparación independiente.
Lo que está menos bien
Primero, un sesgo de población en sentido amplio. Un hospital, un anticuerpo, un escáner, 114 preparaciones de evaluación: es estrecho para una herramienta destinada a laboratorios que usan otros anticuerpos (22C3, E1L3N) y otros escáneres. La validación externa lo confirma: el error se triplica, y como anticuerpo, centro y escáner varían a la vez, no se sabe cuál es el responsable. Los datos de desarrollo no son públicos y el código solo se publicará tras la aceptación.
Segundo, una fuga de información en el ajuste de las alertas. Las reglas y el umbral del 15 % se definieron sobre la cohorte en la que se mide su eficacia; en externo, algunos umbrales se recalcularon a partir de las salidas del modelo sobre el propio conjunto de prueba. Los enriquecimientos comunicados (33 % de falsos positivos entre las preparaciones señaladas en el umbral del 1 %, frente al 11,4 % de media; 4 de 8 en el umbral del 50 %) son, por tanto, optimistas, y los autores los califican de exploratorios.
Tercero, una métrica engañosa. Casi la mitad de las preparaciones están por debajo del 1 %, donde el error absoluto es mecánicamente pequeño: el MAE medio favorece al modelo justo donde se juega la decisión de más peso, por encima del 50 %, donde la sensibilidad es solo de 0,63 sobre 16 preparaciones. No se realizó ningún estudio de lectores con y sin la herramienta. En cuanto a intereses, el coautor David Snead es accionista y directivo de Histofy Ltd, empresa de patología digital; la financiación declarada es una beca doctoral de Warwick. Virchow2 se distribuye con licencia no comercial (CC BY-NC-ND 4.0), lo que complicaría un uso comercial tal cual.
Lo que cambia
Para la investigación, el trabajo desplaza útilmente la pregunta de «¿cuál es el error medio?» a «¿qué estimación hay que revisar?». El vínculo entre incertidumbre de los modelos y desacuerdo humano vale más allá del PD-L1, para otras puntuaciones semicuantitativas en patología como Ki-67 o HER2. El siguiente paso anunciado es el adecuado: reglas fijadas de antemano, nuevas preparaciones, varios centros, patólogos con y sin alertas.
Para los clínicos, nada cambia hoy: es un prototipo de investigación, sin estatus regulatorio, evaluado de forma retrospectiva. Sobre todo, el estudio recuerda que el TPS humano es en sí mismo incierto cerca de los umbrales, y que una herramienta que infraestima las puntuaciones altas sería peligrosa sin revisión.
Para los pacientes, la promesa a largo plazo es una puntuación más reproducible y una atención humana concentrada en los casos realmente ambiguos. Pero en un laboratorio que no use el anticuerpo y el escáner de Coventry, este sistema se equivocaría a menudo tal como está y debería validarse primero localmente.
Para saber más
El preprint: Automated PD-L1 Tumor Proportion Scoring with Uncertainty-Guided Triage in Non-Small Cell Lung Cancer, Xu, Azam, Kaur et al., Universidad de Warwick (Tissue Image Analytics Centre), University Hospitals Coventry and Warwickshire, University Hospitals Birmingham, Royal Derby Hospital y Donghua University, arXiv (cs.CV), depositado el 12 de noviembre de 2026, DOI 10.48550/arXiv.2611.16907. Sin revisión por pares.
Datos externos: IGNITE data toolkit en Zenodo. Modelo base: Virchow2 en Hugging Face.
En Tatakoto: la calidad de las preparaciones histológicas, requisito previo de toda IA en patología y LungAI y la reclasificación de nódulos pulmonares.
Nota de transparencia editorial: este artículo fue producido por la cadena editorial automatizada de Tatakoto a partir de la versión 1 del preprint (PDF de arXiv, texto principal y material suplementario). La conversión «de 1 000 preparaciones» es un cálculo nuestro a partir de las proporciones publicadas y se basa en efectivos pequeños. Las versiones en inglés, español y chino han sido generadas por IA. ¿Un error? Contáctenos.