médical IA

OmniBreast: nueve tareas del cáncer de mama predichas desde una mamografía y una lámina H&E, para una ganancia de 0,009 de AUROC que no sobrevive a la corrección por pruebas múltiples

Publicado el 25 de agosto de 2026 · 14 min lectura

Diez autores del Primer Hospital Afiliado de la Universidad Médica de Bengbu, del Harbin Institute of Technology y de la Universiti Malaya entrenaron, sobre 923 pacientes con cáncer de mama, un sistema que predice nueve variables clínicas — los tres componentes TNM, el estadio clínico, el grado histológico y el estado de RE, RP, HER2 y Ki-67 — a partir de una sola mamografía y una sola lámina teñida con hematoxilina y eosina. Su mecanismo central, un enrutamiento de expertos condicionado a la tarea, mejora la AUROC media en 0,009 respecto a una fusión fija (IC 95 % 0,005–0,013; p = 0,011), pero ninguna de las nueve comparaciones tarea por tarea sobrevive a la corrección de Benjamini-Hochberg. La cifra más llamativa del resumen, 0,990 de AUROC para el estadio M, descansa sobre unas siete pacientes metastásicas en un conjunto de test de 185, y sobre imágenes en las que la enfermedad metastásica no es, por construcción, visible.

El contexto

El manejo de un cáncer de mama se apoya en tres flujos de información que no llegan ni en el mismo momento ni en el mismo documento. La imagen — mamografía, ecografía, resonancia — detecta la lesión y estima su extensión. El examen anatomopatológico de la biopsia confirma el tipo y el grado. La inmunohistoquímica, por último, mide los receptores de estrógeno (RE) y de progesterona (RP), el estado HER2 y el índice de proliferación Ki-67, cuatro marcadores que determinan lo esencial del tratamiento sistémico. Cada flujo genera su propio informe, y la síntesis se produce en el comité multidisciplinar.

La IA aplicada a este recorrido ha seguido la misma fragmentación. Se han construido modelos que detectan un cáncer en mamografía, otros que predicen un grado histológico en lámina, otros que infieren un estado HER2. Cada modelo tiene su propio entrenamiento, su propio criterio, su propia modalidad de entrada obligatoria. En la práctica clínica esa rigidez plantea un problema banal pero real: según el momento del recorrido, se dispone de la imagen sin la lámina, o de la lámina sin la imagen completa.

La pregunta que plantea este artículo no es, por tanto, solo «cómo fusionar radiología y patología», sino «cuándo sirve de algo la fusión». Para responderla, los autores toman prestado un mecanismo del vocabulario de los grandes modelos de lenguaje: la mezcla de expertos (mixture of experts, MoE). El principio es sencillo: varios modelos especializados coexisten, y una pequeña red llamada gate decide, caso por caso, qué peso dar a cada uno. Aquí hay tres expertos por tarea (radiología sola, patología sola, fusión de ambas), y el gate recibe dos informaciones adicionales: qué pregunta clínica se plantea y qué modalidades están realmente disponibles para esa paciente.

El método

La cohorte. Estudio retrospectivo unicéntrico. De 1.428 pacientes tratadas en el Primer Hospital Afiliado de la Universidad Médica de Bengbu (Anhui, China) entre enero de 2016 y diciembre de 2023, 174 son excluidas de entrada (ausencia de par imagen-patología n = 86, etiquetas ausentes n = 48, duplicados n = 19, imágenes de mala calidad n = 21), y 331 más durante la curación (anotaciones incompletas n = 103, requisitos de preprocesamiento no cumplidos n = 74, criterios finales de curación no cumplidos n = 154). Quedan 923 pacientes, el 64,6 % del cribado inicial, repartidas a nivel de paciente en 646 para entrenamiento, 92 para validación y 185 para el test reservado. Una segunda cohorte independiente procede del Hunan Cancer Hospital: 394 pacientes cribadas, 259 retenidas.

Las entradas. Del lado de la imagen, únicamente mamografías digitales de campo completo previas al tratamiento, proyecciones craneocaudal y oblicua mediolateral, sobre tres parques de fabricantes (Hologic 46 %, GE Healthcare 34 %, Siemens Healthineers 20 %), recortadas sobre la mama, normalizadas entre los percentiles 1 y 99 y redimensionadas a 512 × 512 píxeles. Ninguna prueba de extensión — ni TC, ni PET, ni gammagrafía ósea — se proporciona al modelo, ni ningún informe de texto. Del lado de la patología, únicamente láminas completas teñidas con hematoxilina y eosina, digitalizadas en Leica Aperio AT2 a ×40 (unos 0,25 µm por píxel) y analizadas al equivalente ×20; las láminas de inmunohistoquímica de RE, RP, HER2 y Ki-67 no se dan al modelo. El tejido se aísla por umbralización de Otsu, se corta en teselas de 224 × 224 píxeles descartando las que contienen menos del 60 % de tejido, y 128 teselas por paciente se agregan en una única representación mediante gated attention multiple-instance pooling, una ponderación aprendida que decide qué teselas cuentan en el veredicto global.

Las tareas y los modelos. Nueve preguntas binarias: T (Tis/T1 frente a T2–T4), N (N0 frente a N+), M (M0 frente a M1), estadio clínico (0–II frente a III–IV), grado histológico (bajo frente a alto), y RE, RP, HER2, Ki-67 (negativo frente a positivo o alto). Para cada tarea y cada modalidad se entrenan cinco arquitecturas convolucionales — ResNet, DenseNet, EfficientNet, RegNet, MobileNetV3 — y se retiene la mejor según la AUROC de validación. Son noventa modelos dirimidos sobre 92 pacientes. Se emplean tres semillas aleatorias (42, 3407, 2024) y se conserva el punto de control con mayor AUROC de validación. La fusión fija es un transformador de fusión tardía que consume ambos vectores de representación modal. El MoE aprendido añade un perceptrón multicapa que pondera los tres expertos; el MoE condicionado a la tarea le añade un vector que representa la tarea solicitada y una máscara binaria de disponibilidad de modalidades, con un modality dropout de 0,30 durante el entrenamiento. Los umbrales operativos se fijan por índice de Youden solo sobre la validación, y luego se congelan. Las comparaciones de AUROC usan bootstrap emparejado, con corrección de Benjamini-Hochberg sobre los nueve valores p por tarea.

Los resultados

El mapa de modalidades. Es el resultado más interesante del artículo, y es descriptivo. La patología domina claramente para la afectación ganglionar (AUROC 0,804 frente a 0,606 de la mamografía) y para el Ki-67 (0,748 frente a 0,625). La radiología va mejor para HER2 (0,810 frente a 0,795) y para el estadio clínico (0,735 frente a 0,626). Ambas se equiparan para el grado histológico (0,949 y 0,946). Dicho de otro modo, la modalidad más informativa depende de la pregunta, no de una jerarquía general, y la paradoja aparente — predecir una afectación ganglionar desde una lámina del tumor primario, predecir HER2 desde una mamografía — se explica por correlaciones morfológicas indirectas, no por una visualización directa.

Las ganancias de integración. AUROC media sobre las nueve tareas: 0,813 para el mejor experto unimodal, 0,826 para la fusión fija, 0,830 para el MoE aprendido, 0,834 para el MoE condicionado a la tarea. Un selector oráculo, no desplegable porque usa las etiquetas del test, se topa con un techo de 0,854. La ganancia del MoE condicionado sobre la fusión fija es de 0,009 (IC 95 % 0,005–0,013; p = 0,011); la de la fusión fija sobre el mejor experto unimodal es de 0,012 (0,006–0,018; p = 0,008). Las ablaciones confirman que ambos ingredientes cuentan algo: quitar el vector de tarea baja la media de 0,834 a 0,828; quitar la máscara de disponibilidad, a 0,826.

La prueba de robustez ante datos ausentes. Es donde la arquitectura mejor justifica su existencia. Enmascarando aleatoriamente una modalidad en el 30 %, 50 % y 70 % de las pacientes del test, el MoE condicionado alcanza AUROC medias de 0,804, 0,793 y 0,779, superando a la fusión fija con imputación por cero en 0,032, 0,051 y 0,067. La distancia frente a un enrutamiento por simple regla de disponibilidad es más estrecha: 0,015, 0,018 y 0,024.

El comparador clínico. Los autores construyen modelos de referencia sobre cinco variables de rutina (edad, estado menopáusico, densidad mamaria, completitud de las proyecciones, tipo histológico), excluyendo sistemáticamente las variables que definen la diana. Regresión logística: 0,698 de AUROC media. XGBoost: 0,724. El MoE condicionado los supera en 0,110 (IC 95 % 0,091–0,129; p < 0,001) y va mejor en las nueve tareas. En la cohorte externa, dos tareas de extensión: la predicción de respuesta patológica completa sobre mamografía alcanza 0,758 de AUROC (frente a 0,682 de la referencia clínica), y la predicción de cáncer triple negativo sobre lámina H&E alcanza 0,872 (frente a 0,746).

La traducción clínica. Tomemos HER2, el ejemplo más elocuente porque es el marcador que da acceso a los anti-HER2. El mejor modelo radiológico presenta una sensibilidad del 76,7 % y una especificidad del 76,0 %. Proyectado sobre 1.000 pacientes con una prevalencia HER2-positiva del 20 %, orden de magnitud habitual, eso daría alrededor de 153 pacientes HER2+ correctamente identificadas, 47 no detectadas y 192 pacientes HER2-negativas señaladas por error. Este cálculo es una extrapolación a partir de un test de 185 pacientes, no una medida; basta sin embargo para mostrar que ninguna de estas cifras sustituye a una inmunohistoquímica, y los autores no lo pretenden.

Lo que está bien

La sobriedad del informe, empezando por el título. El título anuncia «internal validation», no «validation». Los análisis externos se califican explícitamente de pruebas de extensión de un criterio de valoración, no de validación externa de las nueve tareas. La conclusión escribe con todas las letras que «el elevado rendimiento interno en el estadio M se consideró exploratorio y requiere validación independiente porque la enfermedad metastásica a distancia no estaba directamente representada en las entradas mamográficas o H&E». Sobre todo, los autores aplican una corrección de Benjamini-Hochberg a sus nueve comparaciones tarea por tarea, comunican que ninguna sigue siendo significativa tras la corrección (todos los p ajustados ≥ 0,072) y concluyen ellos mismos que esos análisis son exploratorios. En una literatura donde el p-hacking por multiplicidad de criterios es la norma, esa disciplina merece ser nombrada.

El oráculo como cota superior. Añadir un selector que hace trampa — elige el mejor experto caso por caso mirando la etiqueta del test — no mejora ningún rendimiento, pero informa mucho al lector: muestra que incluso una política de enrutamiento perfecta no superaría 0,854 de AUROC media, frente a los 0,834 alcanzados. Todo el margen restante para esta familia de métodos sobre estos datos cabe, pues, en 0,020 de AUROC. Es una manera honesta y barata de decir al lector dónde está el techo, y es poco frecuente.

El comparador clínico existe y está bien construido. Muchos artículos de imagen se detienen en «nuestro modelo alcanza 0,83». Aquí se pregunta explícitamente si cinco variables de rutina, pasadas por una regresión logística y por XGBoost, harían lo mismo; la respuesta es no, con una diferencia de 0,110 y un intervalo de confianza estrecho. El cuidado puesto en excluir las variables definitorias (los componentes TNM no sirven para predecir el estadio, los resultados inmunohistoquímicos no sirven para predecirse a sí mismos) evita la fuga de diana que vaciaría la comparación de sentido. Los autores declaran además haber renunciado a los modelos sobre informes de texto por esa razón precisa: los informes contienen la información que sirvió para establecer varias etiquetas de referencia.

Lo que está menos bien

Siete pacientes metastásicas sostienen la cifra más visible del artículo. El resumen se abre con «una AUROC de 0,990 observada para el estadio M». Ahora bien, las métricas comunicadas para esa tarea — exactitud 0,962, F1 0,667, sensibilidad 1,000, especificidad 0,961 sobre 185 pacientes — solo son aritméticamente coherentes con unas siete pacientes M1 y siete falsos positivos. Una AUROC sobre siete eventos positivos no es una medida, es un intervalo muy amplio resumido por su punto central. A ello se suma el problema de fondo: la enfermedad metastásica a distancia no está en la imagen. Un modelo que alcanza 0,99 en esa tarea desde una mamografía aprende necesariamente un atajo (shortcut learning): un tamaño tumoral, una densidad, un patrón de manejo correlacionados con el estado M1 en ese centro. Los autores lo reconocen, pero en la conclusión, en la página quince; el resumen permanece intacto, y es el resumen lo que leerán los motores de respuesta y los lectores apresurados. Es un caso de manual de métrica engañosa sobre clase rara.

El mecanismo central del artículo no queda demostrado donde importa. El MoE condicionado a la tarea gana 0,009 de AUROC media sobre una fusión fija. Ese 0,009 es un agregado de nueve tareas correlacionadas entre sí, estimado por bootstrap emparejado sobre las mismas 185 pacientes. Tarea por tarea, ninguna diferencia resiste la corrección por pruebas múltiples. El análisis de curva de decisión, el único que habla en beneficio neto y no en discriminación, muestra curvas que se solapan ampliamente y ganancias «pequeñas y dependientes de la tarea». Queda pues una contribución metodológica interesante y un resultado empírico cuya magnitud, si se toma en serio el propio aparato estadístico de los autores, es indistinguible de cero a escala de cada pregunta clínica.

Noventa modelos dirimidos sobre 92 pacientes, nada reproducible, ningún lector humano. Cinco arquitecturas × dos modalidades × nueve tareas, más tres semillas por configuración, con selección sobre una validación de 92 pacientes y evaluación sobre 185: el presupuesto de selección es grande frente al tamaño de las muestras. La declaración de disponibilidad remite a los autores correspondientes: ni código, ni pesos, ni datos, ningún repositorio en GitHub o Hugging Face. Las medidas de eficiencia (latencia, rendimiento, memoria) son explícitamente «simuladas», no medidas sobre hardware. Sobre todo, no hay ninguna comparación con un radiólogo ni con un patólogo: los autores indican que no se disponía de lecturas independientes y ciegas en esta cohorte retrospectiva, por lo que no pudo realizarse un estudio de lectores. El único comparador humano implícito es un modelo de cinco variables clínicas. Por último, la cohorte es unicéntrica, china, sobre tres parques de fabricantes: el desplazamiento de distribución entre escáneres, protocolos de tinción y poblaciones queda enteramente sin probar para las nueve tareas principales.

Lo que cambia

Para la comunidad investigadora. Dos enseñanzas, y una de ellas no es la que destaca el título. La primera es la brecha del oráculo: sobre estos datos, el enrutamiento perfecto caso por caso vale 0,854 y el enrutamiento aprendido 0,834. Invertir más en arquitecturas de enrutamiento sobre cohortes de este tamaño equivale a disputarse dos centésimas de AUROC; el margen está en otra parte, en el volumen y la diversidad de los datos. La segunda es el mapa de complementariedad modal por tarea — patología para el estado ganglionar y la proliferación, radiología para HER2 y el estadio — que es reutilizable con independencia de la arquitectura y merecería replicarse en una cohorte multicéntrica. En cambio, el protocolo de comunicación de resultados es copiable tal cual: corrección por pruebas múltiples anunciada y respetada incluso cuando destruye el resultado, oráculo publicado, análisis externos nombrados por lo que son.

Para los clínicos. Nada cambia hoy, y los autores lo escriben. OmniBreast no está empaquetado como dispositivo, no tiene validación multicéntrica, no tiene evaluación prospectiva y nunca se ha comparado con un lector humano. La cifra más interesante que retener es probablemente la de la cohorte externa: 0,872 de AUROC para identificar un cáncer triple negativo a partir de una lámina H&E sola, sin inmunohistoquímica. Está lejos del rendimiento de un panel de IHQ, pero basta para imaginar un uso de triaje en contextos donde la inmunohistoquímica es lenta o no está disponible, y así es exactamente como lo posicionan los autores: como modelo auxiliar y no como sustituto. El resto de las nueve tareas sigue siendo, por ahora, demostración de viabilidad.

Para las pacientes y el público. Una idea y un hábito de lectura. La idea: una mamografía y una lámina de tejido contienen, estadísticamente, parte de la información que se busca por otro lado con pruebas dedicadas, pero solo una parte, y nunca con la fiabilidad de la prueba dedicada. Predecir HER2 a partir de una imagen sigue siendo erróneo en aproximadamente una paciente de cada cuatro; ninguno de estos modelos anula una biopsia. El hábito de lectura vale más allá de este artículo: cuando un rendimiento anunciado se refiere a un evento raro, la primera pregunta no es «cuánto vale la AUROC» sino «cuántos casos había». Aquí la respuesta era siete, y cambia por completo cómo debe leerse el 0,990 del resumen.

Para saber más