médical IA

Detección de pólipos en colonoscopia: entrenados con clips curados, los modelos se desploman en exploraciones completas

Publicado el 20 de agosto de 2026 · 13 min lectura

Seis investigadores del xAILab de la Universidad de Bamberg reentrenan cuatro detectores de objetos en tiempo real — Faster R-CNN, YOLOv8, YOLOv11 y RT-DETR — con conjuntos de colonoscopia recortados alrededor de los pólipos, y luego los evalúan sobre 60 exploraciones completas y sin editar. La caída es nítida: YOLOv11 pasa de una mAP50 de 0,724 en el benchmark SUN a 0,164 en los procedimientos completos, y su sensibilidad por fotograma baja a 0,240 con una tasa de falsas alertas igualada. La asimetría es el verdadero resultado: en sentido contrario, los modelos entrenados con exploraciones completas conservan entre 0,705 y 0,717 de mAP50 al volver a SUN — son los benchmarks curados los que no preparan para nada, no los datos reales que serían demasiado difíciles.

El contexto

La colonoscopia es la exploración de referencia para prevenir el cáncer colorrectal: se buscan lesiones precancerosas — los pólipos — y se extirpan en el mismo acto. El problema es antiguo y está documentado: las tasas de lesiones no detectadas alcanzan el 27 % según las series que citan los autores. Un pólipo aparece unos segundos, detrás de un pliegue, en un reflejo especular o en un desenfoque de movimiento, y el endoscopista lo pasa por alto.

De ahí los sistemas CADe (computer-aided detection, detección asistida por ordenador): un detector de objetos funciona en tiempo real sobre el flujo de vídeo y encuadra en pantalla los pólipos sospechosos, a modo de red de seguridad. Hay varios productos comercializados — GI Genius de Medtronic, EndoAID de Olympus — y algunos ensayos aleatorizados han mostrado mejoras en la tasa de detección de adenomas. Sin embargo, el despliegue amplio sigue siendo lento, y la brecha entre el rendimiento publicado y el comportamiento en la sala de exploración sigue mal explicada.

La hipótesis de este trabajo apunta a los datos, no a las arquitecturas. Los conjuntos públicos de colonoscopia son casi todos centrados en la lesión: se han recortado clips o imágenes alrededor de los pólipos. Pero una exploración real dura de veinte a treinta minutos, y la abrumadora mayoría de ese tiempo no contiene ningún pólipo — mucosa sana, instrumentos, líquido de lavado, tramos vacíos durante la progresión y la retirada. Entrenar y evaluar un detector con clips curados equivale a no mostrarle nunca aquello a lo que tendrá que decir que no durante el 95 % de su vida profesional.

El método

El protocolo. Los autores establecen TRUE-Colon, un protocolo de evaluación estandarizado sobre REAL-Colon (Biffi y cols., Scientific Data, 2024): 60 colonoscopias completas, sin editar, procedentes de cuatro centros, con separación estricta a nivel de paciente y un reparto de 10/2/3 vídeos por centro — es decir, 40 vídeos de entrenamiento, 8 de validación y 12 de prueba. El conjunto de entrenamiento reúne 1 706 635 fotogramas, de los cuales el 86,5 % no contiene ningún pólipo anotado; el de prueba, 572 085 fotogramas, con un 85,7 % de negativos.

Frente a él, dos benchmarks curados. SUN: clips de vídeo, 70 positivos y 7 negativos en entrenamiento, 76 % de fotogramas negativos en prueba — curado a nivel de clip. PICCOLO (Biobanco Vasco): imágenes fijas, 2 203 de entrenamiento de las que 20 son negativas, y un conjunto de prueba de 333 imágenes que contiene una sola imagen negativa. Sobre un conjunto así, medir una tasa de falsas alertas carece matemáticamente de sentido — y sin embargo ese es el formato estándar de parte de la literatura.

Las cuatro características medidas. Esta es la aportación metodológica. Más allá de la precisión de localización (la mAP50, precisión media cuando la caja predicha solapa al menos el 50 % de la caja de referencia), TRUE-Colon cuantifica tres cosas que los benchmarks curados no pueden medir: la carga de falsas alertas (proporción de fotogramas sin pólipo que aun así disparan una alerta), la latencia de detección (número de fotogramas entre la aparición de la lesión y la primera detección válida) y la fiabilidad temporal (una lesión se considera persistente si se detecta en al menos la mitad de los fotogramas en los que es visible — un recuadro que parpadea una vez no tiene el mismo valor clínico que uno que se mantiene).

Los modelos. Cuatro detectores en tiempo real con su receta por defecto, entrada de 640 × 640, 100 épocas con parada anticipada, tres semillas aleatorias: Faster R-CNN y RT-DETR por un lado (este último es un transformer, arquitectura basada en atención, más ávida de datos), YOLOv8-M y YOLOv11-M por otro (convolucionales, más rápidos).

El punto de funcionamiento igualado. Es el gesto más importante del artículo. Comparar detectores al mismo umbral de confianza — típicamente 0,2 — resulta engañoso, porque cada arquitectura calibra sus puntuaciones de manera distinta: al mismo umbral nominal, una dispara el doble de veces que otra. Los autores eligen entonces para cada modelo un umbral propio, denominado tau-estrella, tal que la tasa de falsas alertas por fotograma caiga en una franja del 4 al 5 %. Se comparan así sensibilidades con igual carga de alertas, que es la única comparación clínicamente legible.

Los resultados

En los benchmarks curados, todo va bien. SUN sobre SUN: mAP50 de 0,689 a 0,738 según la arquitectura, sensibilidad por fotograma en torno a 0,73 para una tasa de falsas alertas del 4 al 5 %. PICCOLO sobre PICCOLO: YOLOv11 alcanza 0,770. Este es el cuadro que produce la literatura estándar.

En las exploraciones completas, el desplome. Los mismos modelos entrenados con SUN y evaluados sobre REAL-Colon con carga de falsas alertas igualada: YOLOv11 cae de 0,724 a 0,164 de mAP50, con una sensibilidad de 0,240; RT-DETR de 0,689 a 0,225 (sensibilidad 0,310); Faster R-CNN a 0,220 (0,290). Entrenados con PICCOLO es peor: YOLOv11 a 0,059, y RT-DETR a 0,012 con una sensibilidad de 0,007 — el modelo prácticamente ya no detecta nada.

Y la asimetría. En sentido contrario, los modelos entrenados con las 40 exploraciones completas y evaluados sobre SUN conservan mAP50 de 0,705 (YOLOv11), 0,714 (YOLOv8) y 0,717 (RT-DETR) — es decir, a la par, o por encima, de lo que obtienen esas mismas arquitecturas entrenadas con el propio SUN. Sobre PICCOLO la transferencia baja a 0,554–0,645, lo que sigue estando muy por encima de la transferencia inversa. Dicho de otro modo: el vídeo completo contiene la información de los clips curados; lo contrario es falso.

En condiciones realistas. Entrenados y evaluados sobre REAL-Colon, con umbral fijo de 0,2, RT-DETR domina en apariencia (mAP50 0,488; sensibilidad 0,720) — pero con una tasa de falsas alertas del 8,2 % frente al 1,7–2,0 % de los YOLO. Una vez igualados los puntos de funcionamiento en torno al 4,3–4,6 %, la diferencia se cierra en gran medida: RT-DETR 0,651 de sensibilidad, YOLOv8 0,605, YOLOv11 0,573, Faster R-CNN 0,463. RT-DETR mantiene la ventaja en latencia (38,3 fotogramas de media hasta la primera detección, frente a 46,8 de YOLOv8 y 63,9 de Faster R-CNN) y en persistencia (17,3 de 21 lesiones detectadas de forma persistente, frente a 11,7 de Faster R-CNN), pero los propios autores precisan que estas diferencias a nivel lesional caben dentro de la varianza entre semillas sobre 21 lesiones de prueba, y deben leerse como tendencias.

La traducción clínica. Una tasa de falsas alertas del 4,3 % por fotograma parece inofensiva. En el conjunto de prueba de REAL-Colon son 489 979 fotogramas negativos repartidos en 12 exploraciones, es decir, unos 40 800 fotogramas sin pólipo por exploración — cerca de 23 minutos a 30 fotogramas por segundo. Al 4,3 %, eso supone del orden de 1 750 fotogramas de alerta injustificada por exploración, casi un minuto acumulado durante el cual un recuadro se enciende sobre mucosa sana. Este cálculo es una extrapolación nuestra a partir de las cifras del artículo, y los autores son explícitos sobre su límite: una medida por fotograma no distingue una alerta continua de treinta segundos de mil interrupciones aisladas, cuando ambos escenarios no tienen nada que ver desde el punto de vista del endoscopista.

Un punto de referencia. En un anexo, los autores comparan sus cifras con las publicadas por Troya y cols. sobre sistemas comerciales: GI Genius v1 con 0,506 de sensibilidad para un 2,8 % de falsas alertas, GI Genius v2 con 0,679 para un 3,8 %, EndoAID A con 0,656 para un 2,5 %. Los detectores abiertos evaluados aquí alcanzan de 0,60 a 0,72 de sensibilidad, pero con alrededor de un 4,5 % de falsas alertas. Comparación solo contextual — conjunto de datos y pipeline distintos — pero sitúa la brecha restante: está en el control de los falsos positivos, no en la sensibilidad bruta.

Lo que está bien

El protocolo mide lo que los benchmarks no miden. Carga de falsas alertas, latencia y persistencia son tres magnitudes que deciden la usabilidad clínica de un CADe, y ninguna de las tres es calculable sobre un conjunto de imágenes fijas. Los autores lo demuestran en sentido literal al mostrar que el conjunto de prueba de PICCOLO contiene una sola imagen negativa. Es una aportación estructurante, no una arquitectura más.

Igualar los puntos de funcionamiento neutraliza una trampa recurrente. Comparar arquitecturas con un umbral de confianza idéntico confunde la calidad del modelo con la calibración de sus puntuaciones. El artículo cuantifica el efecto: con umbral 0,2, RT-DETR parece muy superior; con igual carga de alertas, su diferencia de sensibilidad con YOLOv8 pasa de 21 puntos a menos de 5. Muchas clasificaciones publicadas en este campo no sobrevivirían a esa normalización.

La transparencia sobre las limitaciones es inusualmente precisa. Los autores señalan ellos mismos seis restricciones, dos de las cuales debilitan directamente sus propias conclusiones: el umbral tau-estrella se selecciona sobre el conjunto de prueba, y el contraste curado/procedimiento confunde el realismo de los datos con su escala y su prevalencia de negativos. El código está publicado en GitHub, REAL-Colon está bajo CC BY 4.0, la financiación es pública (Hightech Agenda Bayern) y no se declaran conflictos de intereses.

Lo que está menos bien

El umbral de comparación se elige sobre el conjunto de prueba. Los autores lo dicen: tau-estrella se fija a posteriori sobre los datos de evaluación para igualar las tasas de falsas alertas. Es metodológicamente defendible para una comparación controlada entre arquitecturas, pero sigue siendo una forma de optimismo — un sistema desplegado debería fijar su punto de funcionamiento sobre un conjunto de validación separado, y vería entonces derivar sus tasas. Las sensibilidades reportadas con tau-estrella son, por tanto, techos, no previsiones de campo.

La evidencia lesional descansa sobre 21 lesiones, en una sola cohorte. Las métricas de latencia y persistencia — las que sostienen la comparación entre arquitecturas — se calculan sobre veintiuna lesiones procedentes de 12 exploraciones. Los autores indican que las diferencias observadas caben dentro de la varianza entre semillas. La conclusión robusta del artículo es la asimetría de transferencia, no la clasificación RT-DETR frente a YOLO, y conviene resistir la tentación de leer la segunda como un resultado.

El modo de fallo subyacente no queda aislado. Puede nombrarse con precisión lo que ocurre: los modelos entrenados con clips curados nunca aprendieron a rechazar contenido que no es pólipo, por falta de exposición — un sesgo de distribución clásico, agravado por una métrica engañosa (una mAP calculada sobre fotogramas casi siempre positivos no dice nada de la carga de alertas) y por un comparador sesgado (el umbral fijo). Pero el artículo no separa la parte debida a la prevalencia de negativos de la debida al dominio visual: habría bastado un control entrenando solo con los fotogramas con lesión de REAL-Colon para zanjarlo. Los autores lo reconocen y no lo hicieron. Señalan además un rendimiento casi nulo sobre los pólipos pequeños — precisamente los que se pasan por alto en la práctica.

Lo que cambia

Para la comunidad investigadora. El mensaje es directo: publicar una mAP sobre SUN o PICCOLO no informa de la usabilidad de un detector, y la asimetría cuantificada aquí retira la excusa del coste. Puesto que entrenar con vídeo completo no degrada el rendimiento sobre los benchmarks curados — lo iguala o lo supera —, ya no hay razón para seguir entrenando con clips. Al publicarse el protocolo junto con su código, es directamente reutilizable como rejilla mínima de evaluación. El paso siguiente natural, que los autores apuntan, es el modelado temporal: sus cuatro detectores no tienen memoria, procesan cada fotograma de forma aislada, cuando la coherencia entre fotogramas consecutivos es la información más evidente que explotar para reducir a la vez la latencia y las alertas erráticas.

Para los clínicos. Nada cambia en la práctica de mañana: son detectores de investigación, no dispositivos con marcado CE ni autorizados por la FDA. Pero el artículo aporta un vocabulario para interrogar a un proveedor de CADe: ¿con qué datos se entrenó el modelo — clips curados o exploraciones completas? ¿La tasa de falsas alertas anunciada se midió sobre procedimientos enteros, y en qué punto de funcionamiento? ¿Cuántas alertas por exploración, y no por fotograma? Esas tres preguntas discriminan, y el artículo demuestra que no son retóricas.

Para los pacientes y el público. El anuncio «una IA detecta pólipos con un 77 % de precisión» no significa prácticamente nada mientras no se sepa sobre qué imágenes se calculó la cifra. Este trabajo muestra que, entre un conjunto de prueba construido alrededor de las lesiones y una colonoscopia real, el mismo modelo puede pasar de tres cuartas partes de detecciones correctas a menos de una cuarta parte. No es un argumento contra la IA en endoscopia — los sistemas comerciales sí han sido evaluados en condiciones reales — sino un recordatorio de que el rendimiento de un modelo médico no existe en abstracto: solo existe en relación con los datos sobre los que se ha medido.

Para saber más

Tatakoto no ofrece consejo clínico individual. Este artículo describe y critica una publicación científica; no recomienda ninguna herramienta ni ninguna conducta diagnóstica.