La evolución de la anatomía patológica computacional ha comenzado a orientarse hacia el desarrollo de sistemas de inteligencia artificial capaces de replicar el proceso de razonamiento diagnóstico que llevan a cabo los médicos especialistas.
De acuerdo con una revisión científica publicada por investigadores del Departamento de Anatomía Patológica del Hospital del Colegio Médico Universitario de Pekín en la revista especializada Medical Journal of Peking Union Medical College Hospital, los desarrollos tecnológicos en el área están transitando desde modelos de predicción aislados sobre imágenes digitales hacia arquitecturas basadas en agentes inteligentes que integran datos clínicos, análisis morfológico y redacción de informes finales.
El diagnóstico patológico tradicional no se limita a la clasificación estática de una muestra visual. Los patólogos examinan extensiones amplias de tejido en laminillas digitales de gran tamaño, modifican los niveles de aumento, contrastan marcadores inmunohistoquímicos y pruebas moleculares, y formulan diagnósticos diferenciales expresando niveles de incertidumbre en reportes estructurados.
La investigación señala que, aunque la disciplina ha avanzado significativamente mediante el uso de modelos base entrenados con amplios volúmenes de datos histopatológicos, la mayoría de las herramientas convencionales analiza las muestras de manera lineal y devuelve clasificaciones simplificadas. Frente a estas limitaciones, el estudio analiza cómo los sistemas sustentados por modelos de lenguaje de gran escala y modelos de lenguaje y visión pueden estructurarse en tres etapas clave: inspección inicial a bajo aumento, razonamiento diagnóstico continuo y generación de reportes clínicos.
Durante la etapa de observación inicial, los agentes de navegación automatizada gestionan las imágenes de muestra completa mediante secuencias de decisiones iterativas. Estas herramientas determinan de forma dinámica qué áreas revisar, cuándo ajustar el zoom y en qué punto se ha recopilado suficiente evidencia morfológica. En la fase de diagnóstico, los agentes combinan el reconocimiento de características visuales con estrategias de cadena de pensamiento para organizar la evidencia científica, descartar hipótesis alternativas y consultar guías clínicas o bibliografía médica especializada mediante generación aumentada por recuperación. Posteriormente, en la fase de redacción de informes, los sistemas buscan integrar observaciones provenientes de múltiples laminillas y muestras históricas conservadas en memoria para ajustar las conclusiones ante la retroalimentación del profesional.
Especialistas del sector destacan que el verdadero valor de estas arquitecturas radica en su capacidad para coordinar herramientas analíticas y sistematizar flujos de trabajo complejos, especialmente en áreas de alta exigencia diagnóstica como la oncología y las patologías poco frecuentes.
No obstante, publicaciones científicas complementarias, como revisiones publicadas en la revista MDPI sobre el desarrollo de modelos base para histopatología, subrayan que la disciplina aún enfrenta desafíos técnicos considerables para su implementación en entornos asistenciales reales. Entre las principales barreras identificadas figuran la variabilidad de los datos entre distintas instituciones médicas, los riesgos relativos a la privacidad de los datos de los pacientes, el fenómeno de la deriva de modelos y la necesidad de reducir la generación de respuestas inconsistentes.
Por estas razones, los autores de la revisión enfatizan que estos desarrollos constituyen una hoja de ruta conceptual en fase de investigación y no un producto validado para uso clínico directo, por lo que su adopción requerirá ensayos sistemáticos que acrediten su reproducibilidad, trazabilidad y seguridad antes de incorporarse a los laboratorios hospitalarios.
Fuente: https://xhyxzz.pumch.cn/article/doi/10.12290/xhyxzz.2026-0402
