Ecografía tiroidea: una IA «agéntica» auditable evaluada en 35 centros, y las tres cifras que el resumen no dice

Catorce autores, principalmente de la Universidad Sun Yat-sen y del Hospital Zhujiang de Cantón, presentan ThyroidXAgent: un sistema «agéntico» que encadena la segmentación del nódulo, la clasificación benigno/maligno y la redacción del informe de ecografía tiroidea, conservando cada salida intermedia como una prueba que el clínico puede inspeccionar y corregir. La segmentación alcanza un Dice medio del 87,21 % en siete conjuntos de prueba, y en 4 999 casos de 35 centros chinos independientes el AUROC de clasificación benigno/maligno es de 0,819 [0,808–0,831]. Sin embargo, faltan tres cosas: el artículo nunca escribe cómo se estableció el carácter benigno o maligno en sus conjuntos de prueba de clasificación, la media de AUROC anunciada en su propio resumen —0,9466— no puede recuperarse de su propia tabla suplementaria, y la palabra «sobrediagnóstico» no aparece ni una sola vez en un trabajo dedicado a la detección del cáncer de tiroides.

El contexto

El nódulo tiroideo es uno de los hallazgos de imagen más banales de la medicina: según las series, una ecografía cervical lo detecta en el 20 a 70 % de los adultos, y la gran mayoría nunca llegará a ser enfermedad. El trabajo del radiólogo consiste, por tanto, menos en encontrar nódulos que en decidir cuáles justifican una punción aspirativa con aguja fina. Esa decisión pasa por escalas estandarizadas —TI-RADS y sus variantes— que combinan composición, ecogenicidad, forma, márgenes y presencia de focos ecogénicos puntiformes. El punto débil conocido de esta cadena es la variabilidad: dos operadores ante la misma imagen no siempre puntúan igual, y el informe final suele redactarse en texto libre, con formulaciones heterogéneas de un profesional a otro.

Este contexto tiene una segunda cara, que el artículo no menciona y que conviene plantear de entrada. La tiroides es el caso de manual del sobrediagnóstico en oncología: en Corea del Sur, la incidencia declarada de cáncer de tiroides se multiplicó por unas quince veces entre principios de los años noventa y 2011 por efecto del cribado ecográfico, sin que la mortalidad por ese cáncer se moviera —el hallazgo publicado por Ahn, Kim y Welch en el New England Journal of Medicine en 2014. Dicho de otro modo: en esta patología concreta, aumentar la sensibilidad de detección no es automáticamente un progreso. Esa es la clave de lectura que más claramente le falta a este artículo.

En el plano de la IA, el estado anterior está fragmentado: un modelo para segmentar, otro para clasificar, cada uno devolviendo un veredicto aislado y opaco. La propuesta de 2026 es agéntica: un modelo de lenguaje actúa como director de orquesta, llama a herramientas especializadas y —este es el argumento central del trabajo— conserva sus salidas en un expediente de pruebas consultable y modificable.

El método

Los autores construyen primero OpenThyroidDB, un agregado de unos 0,3 millones de imágenes ecográficas y 24 000 informes emparejados. El subconjunto usado para segmentación y clasificación comprende 38 864 imágenes de siete cohortes, seis centros clínicos repartidos entre China, Vietnam y Colombia, y al menos ocho plataformas ecográficas distintas. Tres de esas cohortes sirven exclusivamente como prueba externa: DDTI (Bogotá, Colombia), RJH-7K (Hospital Ruijin, Shanghái) y ZJH-8K (Hospital Zhujiang, Cantón). A ellas se suma una cohorte privada, NHC-MISD-TUS, procedente de la base de imágenes de referencia de la Comisión Nacional de Salud china: 8 721 casos de 35 centros para la segmentación de la glándula, 6 384 casos de 33 centros para la segmentación del nódulo, 4 999 casos para la clasificación.

El banco de expertos. En lugar de un único modelo, el sistema entrena una familia de modelos especializados, cada uno construido sobre un tronco común DINOv3 —un codificador de imágenes entrenado por autosupervisión, es decir, sin etiquetas humanas— completado con una cabeza ligera específica de la tarea. Estos expertos difieren en la resolución de entrada (128, 224 o 448 píxeles), en la composición de sus datos de entrenamiento y en si parten o no de los pesos preentrenados de DINOv3. Para la segmentación, un decodificador tipo U-Net reconstruye la máscara del nódulo.

El enrutador y la capa de pruebas. Es la pieza «agéntica». Un modelo de lenguaje recibe no las imágenes sino resúmenes estructurados —máscaras candidatas, probabilidades de clase, confianza, descriptores radiómicos, metadatos de adquisición— y emite una decisión en formato JSON estricto: qué experto retener, o qué ponderación aplicar a un subconjunto. A partir de la máscara seleccionada, una rama radiómica extrae descriptores de forma, textura e intensidad mediante PyRadiomics y los pasa a un conjunto tabular AutoGluon cuyas decisiones se explican con SHAP, un método que asigna a cada descriptor su contribución numérica a la puntuación final. Si el clínico corrige la máscara, esas atribuciones se recalculan sobre la máscara corregida: ese es el bucle que reivindica el título.

La generación del informe. Un modelo de lenguaje planificador produce un grafo de tareas, un ejecutor de tipo ReAct llama a las herramientas a través de un servidor MCP, y luego el texto se ensambla por recuperación de plantillas: BM25 selecciona una plantilla de frase en una biblioteca de 7 147 informes controlados y los valores medidos se insertan en los huecos previstos. Un punto importante y rara vez subrayado: no hay ninguna decodificación libre. El informe no lo «escribe» un LLM, se rellena, lo que explica en gran medida la ausencia de alucinaciones.

Aquí se impone una reserva de método: ni el enrutador, ni el planificador, ni el «juez» usado para validar la nueva métrica se nombran ni se dimensionan nunca. No sabemos qué modelo de lenguaje mueve la parte agéntica del sistema.

Los resultados

Segmentación. En siete conjuntos de prueba, el Dice medio —la proporción de solapamiento entre la máscara predicha y la de referencia, donde el 100 % significa superposición perfecta— alcanza el 87,21 %, frente al 85,66 % de MedSAM2, la mejor referencia, y el 79,66 % del modelo fundacional UltraFedFM. La distancia de Hausdorff al percentil 95, que mide el error de contorno más grosero, es de 6,90 mm y sigue siendo la más baja en los siete conjuntos.

Clasificación benigno/maligno. El resumen anuncia un AUROC medio de 0,9466 en cinco conjuntos de prueba. La tabla suplementaria S4 da estos cinco valores: 0,8692 (TN3K), 0,9676 (ThyroidXL), 0,9472 (TN5K), 0,7991 (DDTI) y 0,9175 (ZJH-8K). Su media aritmética es 0,9001, no 0,9466 —y ninguna ponderación por tamaño muestral permite recuperar la cifra anunciada, que exigiría un AUROC superior a 1 en DDTI. La misma divergencia opera en sentido inverso en el AUPRC: el resumen anuncia 0,8361, la tabla da 0,8705. Las medias de segmentación, en cambio, cuadran exactamente, lo que descarta un simple convenio de redondeo. Señalamos la discrepancia sin poder explicarla; es verificable línea a línea en el material suplementario del preprint.

La validación externa multicéntrica es el resultado más informativo del artículo y también el menos favorecedor. En los 35 centros de NHC-MISD-TUS, la segmentación del nódulo aguanta (Dice 82,31 %), pero la segmentación de la glándula tiroidea se desploma al 59,28 % —y el sistema solo es el mejor en 17 de 35 centros en esa tarea, con valores mínimos del 3 % al 37 % en varios de ellos. La clasificación benigno/maligno baja a AUROC 0,819 [0,808–0,831], entre ocho y quince puntos por debajo de los conjuntos internos. Por centro, el AUROC va de 0,407 a 1,000; el centro más grande (n = 269) obtiene 0,590 con un intervalo de confianza que va de 0,346 a 0,832.

Tareas secundarias y estudios con clínicos. Metástasis ganglionar: AUROC 0,8642 en 158 imágenes, por delante de MedGemma (0,8403) y GPT-5 (0,8410), pero con intervalos de confianza que se solapan ampliamente y sin prueba de significación. Carcinoma folicular frente a papilar: AUROC 0,8053 en 200 imágenes, donde GPT-5 obtiene 0,1604 —claramente peor que el azar, resultado que los autores publican sin maquillar. En 500 imágenes a ciegas, dos clínicos leyeron con y sin la ayuda del sistema: el primero pasa del 79,2 % al 84,6 % de exactitud, el segundo del 74,0 % al 84,8 %, este último con una sensibilidad que sube del 71,6 % al 85,6 % y una especificidad del 76,4 % al 84,0 %. La asistencia reduce la segmentación de 14,21 a 9,11 segundos por imagen (−35,9 %), con un Dice asistido de 0,903 frente a 0,879 manual, y la redacción de 2,5 a 1,8 minutos por caso en 145 vídeos (−27,4 %).

Traducción clínica. El artículo no publica umbral de decisión, ni sensibilidad, ni especificidad para el propio modelo: solo AUROC. Es por tanto imposible convertir el rendimiento del sistema en falsos positivos y falsos negativos, lo que ya es en sí una laguna. En cambio, sí pueden traducirse las cifras del segundo clínico. En el conjunto de 500 imágenes, del que puede deducirse una prevalencia de malignidad cercana al 50 %, por cada 1 000 nódulos se le escapaban 142 cánceres y señalaba erróneamente 118 nódulos benignos; con la ayuda del sistema, 72 cánceres perdidos y 80 falsos positivos. Pero si se aplican esas mismas sensibilidad y especificidad a una población de consulta real, donde la proporción de nódulos malignos ronda más bien el 10 %, los 1 000 nódulos dan 86 cánceres detectados, 14 perdidos —y 144 falsos positivos, es decir, un valor predictivo positivo de alrededor del 37 %. Este cálculo es una extrapolación nuestra, no un resultado del artículo, e ilustra exactamente el problema: un AUROC alto en una cohorte enriquecida en cánceres no dice nada sobre el volumen de punciones innecesarias en la práctica.

Lo que está bien

La capa de pruebas no es un adorno: está medida. Muchos trabajos reivindican la explicabilidad pegando un Grad-CAM al final de un canal de procesamiento. Aquí la corrección de la máscara por el clínico desencadena un recálculo de las atribuciones SHAP, y el coste de esa corrección está cuantificado: 9,11 segundos frente a 14,21 en segmentación manual, con un Dice que sube en lugar de bajar (0,903 frente a 0,879). Que el informe se ensamble con plantillas en lugar de decodificarse libremente es una decisión de ingeniería conservadora y, en un documento médico-legal, defendible.

La validación externa se publica centro por centro. Es poco frecuente y honra a los autores: las tablas suplementarias dan el rendimiento de los 35 centros por separado, incluidos aquellos en los que el sistema obtiene un 3 % de Dice en la glándula. La práctica dominante consiste en publicar solo la media agregada, que aquí habría ocultado una heterogeneidad considerable. Es esa granularidad la que hace criticable el trabajo, y por tanto útil.

Los comparadores son numerosos y actuales. MedSAM2, MedSegX, UltraFedFM, TransUNet en segmentación; MedGemma, Qwen3-VL-8B, GPT-5, Gemini-2.5-Pro, BiomedCLIP, MedSigLIP en clasificación e informe. Los autores publican los resultados desfavorables para sus competidores igual que los absurdos —GPT-5 con un AUROC de 0,1604 en folicular frente a papilar— sin suavizarlos.

Lo que está menos bien

El estándar de referencia del criterio principal nunca se enuncia. Es la debilidad central. El artículo afirma confirmación histopatológica exactamente en dos lugares: para las subetiquetas de la cohorte ZJH-8K (estado ganglionar, variante papilar clásica frente a variante folicular) y, para la cohorte ganglionar LymphUs, una confirmación por punción aspirativa. Para ninguno de los cinco conjuntos de prueba de clasificación benigno/maligno —TN3K, TN5K, ThyroidXL, DDTI, ZJH-8K en su conjunto— ni para la cohorte privada de 35 centros indica el texto si las etiquetas proceden de cirugía, de citología o de una lectura de imagen. No se da ninguna proporción de nódulos confirmados histológicamente. Peor aún, la verdad de referencia del estudio de lectura deriva explícitamente de anotaciones: «los casos que contenían alguna anotación maligna se clasificaron como malignos o sospechosos». Dicho de otro modo, el criterio de valoración podría estar midiendo el acuerdo del modelo con el radiólogo anotador, no con la enfermedad: un caso manual de shortcut learning en el que el objetivo aprendido no es el que se cree.

Las métricas elegidas favorecen al sistema, y el comparador externo está vacío. Se acumulan tres mecanismos. Primero, la cohorte ZJH-8K, presentada como prueba externa, contiene 723 casos malignos de 1 149, es decir, un 62,9 % de prevalencia: un perfil de serie quirúrgica, lo contrario de una población de cribado; un AUROC allí es estructuralmente optimista. Segundo, en el conjunto privado de 35 centros los únicos comparadores son modelos zero-shot —BiomedCLIP y MedSigLIP, que nunca han visto una tiroides etiquetada y funcionan a 0,43-0,52, es decir, al azar. Oponer 0,819 a 0,44 no establece nada: no se enfrentó ningún clasificador supervisado entrenado con los mismos datos. Tercero, no se informa de ninguna calibración —la palabra solo aparece en las limitaciones, como una propiedad de la que el sistema depende—, no se fija ningún umbral, no se hace ninguna comparación con TI-RADS y no se produce ninguna curva de decisión clínica. En una patología donde toda la cuestión es «¿hay que puncionar este nódulo?», esa es precisamente la medida que falta.

El sobrediagnóstico está ausente, los clínicos son dos y el código es «abierto» con condiciones. Los términos sobrediagnóstico, microcarcinoma, indolente y vigilancia activa no aparecen ni una sola vez en el artículo ni en su bibliografía: la función objetivo es siempre la detección, nunca evitar un procedimiento innecesario —cuando subir la sensibilidad de un lector del 71,6 % al 85,6 % en la tiroides es exactamente la intervención cuyos límites mostró la epidemiología coreana. Los estudios de lectura se apoyan en dos clínicos de los que no se precisa ni la antigüedad ni la especialidad, sin valores de p ni intervalos de confianza; el estudio de redacción es un cruce entre lectores y no intralector, de modo que con dos operadores la condición evaluada queda perfectamente confundida con la identidad del lector, y la cifra de coherencia 70,3 % → 86,2 % destacada en el resumen solo aparece allí, sin tabla ni prueba estadística. Los datos, por último, son casi íntegramente chinos: un sesgo de población directo. En cuanto al código anunciado como «públicamente disponible», los dos repositorios de Hugging Face están en acceso gated con aprobación manual, ninguno de los tres repositorios (GitHub, pesos, datos) declara licencia, la web se promete «tras la aceptación» y la cohorte privada de 35 centros no tiene ninguna vía de acceso.

Lo que cambia

Para la comunidad investigadora, la aportación neta no es la puntuación, sino el patrón de arquitectura: un enrutador que arbitra entre varios expertos a partir de señales estructuradas, y una capa de pruebas persistente que el clínico puede corregir con recálculo aguas abajo. La lección más sólida es en realidad la brecha interno/externo —0,90 frente a 0,819 en clasificación, 87 % frente a 59 % en segmentación de la glándula— medida en 35 centros reales y publicada centro por centro. Es este tipo de tabla, más que las medias agregadas, la que debería convertirse en norma de publicación en imagen médica.

Para los clínicos, hoy no cambia nada: la evaluación es retrospectiva, los autores lo dicen, y no se publica ningún umbral operativo. El resultado más directamente aprovechable es el menos espectacular: la corrección asistida de un contorno lleva 9 segundos en lugar de 14 sin degradar la calidad, y un informe estructurado ensamblado con plantillas ahorra unos cuarenta segundos por caso. La ganancia demostrada es de tiempo y de homogeneidad de redacción, no de diagnóstico.

Para los pacientes y el público, la prudencia se refiere a lo que significa aquí «detectar mejor». En la tiroides más que en casi cualquier otra localización, un sistema que aumenta la sensibilidad sin que se sepa cuántos falsos positivos produce a prevalencia real puede generar más punciones, más tiroidectomías y más tratamiento hormonal de por vida, sin que se salve una sola vida. No es un juicio contra este artículo: es la pregunta que hay que plantear a cualquier herramienta de este tipo, y es la que este artículo no plantea.

Para ir más lejos

El preprint está disponible en arXiv (2608.12590), depositado el 12 de agosto de 2026 bajo licencia CC BY-NC-ND 4.0; sus diecisiete tablas suplementarias contienen lo esencial del material criticable. El código se anuncia en GitHub, los pesos y los datos en Hugging Face (MedXAgent/ThyroidXAgent y MedXAgent/ThyroidOpenDB), ambos repositorios condicionados a aprobación manual y sin declarar licencia. El estudio fue aprobado por el comité de ética del Hospital Zhujiang (n.º 2026-KY-081-01) y financiado por la Fundación Nacional de Ciencias Naturales de China (62322608). Sobre el sobrediagnóstico tiroideo, la referencia sigue siendo el artículo de Ahn, Kim y Welch publicado en el New England Journal of Medicine en 2014.