¿Puede la inteligencia artificial realizar una biopsia óptica durante la cirugía pulmonar? El camino hacia decisiones intraoperatorias en tiempo real

Uno de los momentos más complejos en la cirugía torácica ocurre cuando un cirujano se enfrenta a un pequeño nódulo pulmonar cuya naturaleza todavía es incierta. Aunque las técnicas diagnósticas han mejorado de forma notable durante las últimas décadas, sigue existiendo una brecha entre identificar una lesión y determinar, en tiempo real, si realmente se trata de un cáncer. Tradicionalmente, esta respuesta depende del estudio intraoperatorio mediante congelación, un procedimiento valioso pero que consume tiempo, requiere recursos especializados y no está exento de errores.

En este contexto, el trabajo de Azari y colaboradores propone una idea particularmente interesante: utilizar inteligencia artificial para transformar las señales obtenidas mediante imagen molecular intraoperatoria en una especie de “biopsia óptica” capaz de estimar la probabilidad de malignidad durante la propia cirugía.

La propuesta se apoya en una tecnología conocida como imagen molecular intraoperatoria. En términos sencillos, consiste en administrar al paciente un marcador fluorescente que se acumula preferentemente en el tejido tumoral. Durante la intervención quirúrgica, cámaras especializadas detectan esa fluorescencia y permiten visualizar lesiones que podrían pasar desapercibidas a simple vista. El concepto no es nuevo, pero su interpretación suele depender de mediciones manuales y de la experiencia del operador.

El desafío radica precisamente ahí. La intensidad de fluorescencia puede variar según múltiples factores y la cuantificación manual introduce subjetividad. Los autores plantearon que un algoritmo de aprendizaje automático podría estandarizar ese proceso y convertir una señal óptica compleja en una estimación objetiva del riesgo de cáncer.

Para ello analizaron retrospectivamente una de las mayores bases de datos de cirugía pulmonar guiada por imagen molecular disponibles hasta la fecha. El estudio incluyó inicialmente 322 pacientes con nódulos pulmonares indeterminados, de los cuales 279 disponían de información clínica completa para el desarrollo del modelo. A partir de miles de imágenes intraoperatorias y más de mil secuencias de video, el equipo identificó variables asociadas con malignidad y construyó un nomograma predictivo.

Entre los factores que mostraron una asociación relevante con cáncer destacaron la historia tabáquica superior a cinco paquetes-año y diferentes mediciones de fluorescencia expresadas mediante la relación tumor-fondo o TBR (tumor-to-background ratio). Este indicador compara la intensidad de fluorescencia del tumor con la del tejido circundante. Conceptualmente es similar a métricas empleadas en otras modalidades de imagen, como la PET, donde el contraste entre tejido normal y tejido tumoral resulta fundamental para la interpretación clínica.

Posteriormente, los investigadores desarrollaron un sistema automatizado de segmentación de imágenes. Aquí aparece uno de los aspectos más interesantes del trabajo. La IA no se limitó a clasificar lesiones; primero automatizó una tarea que normalmente realiza un observador humano: identificar regiones relevantes de la imagen y calcular las métricas de fluorescencia. Este enfoque tiene implicaciones importantes porque reduce la variabilidad asociada al operador y mejora la reproducibilidad.

Los resultados fueron llamativos. El algoritmo logró calcular automáticamente los valores de fluorescencia en aproximadamente 1,4 segundos por imagen, sin diferencias significativas respecto a las mediciones manuales. Sin embargo, mostró una menor variabilidad, lo que sugiere una mayor consistencia en la cuantificación.

Desde la perspectiva de rendimiento predictivo, los modelos desarrollados alcanzaron áreas bajo la curva ROC entre 0,865 y 0,893. Para quienes no trabajan habitualmente con métricas de aprendizaje automático, el AUROC es una medida de discriminación que evalúa la capacidad de distinguir entre dos categorías, en este caso lesiones benignas y malignas. Valores cercanos a 1 indican una excelente capacidad diagnóstica, mientras que 0,5 equivaldría a un desempeño aleatorio. Los resultados obtenidos sitúan al modelo en un rango clínicamente prometedor.

Lo más relevante, sin embargo, fue la validación prospectiva. Muchas investigaciones en inteligencia artificial médica se quedan en el análisis retrospectivo y nunca alcanzan una prueba real en pacientes consecutivos. En este estudio, los autores evaluaron su sistema en 61 pacientes sometidos a cirugía guiada por imagen molecular, incluyendo 74 lesiones pulmonares. El algoritmo identificó correctamente la mayoría de las lesiones malignas y clasificó adecuadamente todas las lesiones benignas analizadas. La sensibilidad alcanzó el 93,8% y la especificidad el 100%. Además, el resultado estaba disponible en menos de dos minutos, frente a los aproximadamente 34 minutos requeridos para un análisis por congelación.

Estos datos invitan a reflexionar sobre una cuestión más amplia. Durante años hemos hablado de la inteligencia artificial como una herramienta para interpretar radiografías, tomografías o láminas histopatológicas. Este estudio representa algo diferente: una IA integrada directamente en el flujo de trabajo quirúrgico, participando en una decisión clínica dinámica que ocurre mientras el paciente permanece en la mesa de operaciones.

Desde el punto de vista conceptual, este es probablemente el hallazgo más importante. La contribución no consiste únicamente en clasificar imágenes, sino en demostrar que los algoritmos pueden convertirse en asistentes intraoperatorios capaces de procesar información multimodal y devolver una recomendación clínicamente útil en tiempo real.

Naturalmente, existen limitaciones que deben moderar cualquier entusiasmo excesivo. El modelo fue desarrollado y validado en un contexto muy específico: cirugía pulmonar guiada por un único agente fluorescente basado en receptores de folato. No sabemos si el mismo enfoque funcionará con otros tumores, otros trazadores o diferentes plataformas tecnológicas. Además, el algoritmo no fue infalible. Los casos falsamente negativos se concentraron en pacientes con antecedentes intensos de tabaquismo y antracosis pulmonar, una condición que altera las propiedades ópticas del tejido y dificulta la interpretación de la fluorescencia. También se observaron falsos positivos potenciales relacionados con granulomas inflamatorios capaces de expresar receptores de folato y generar señales fluorescentes elevadas.

Otra limitación importante es la ausencia de validación multicéntrica. Como ocurre con muchos sistemas de IA médica, el verdadero examen llegará cuando el algoritmo sea probado en hospitales distintos, con equipos quirúrgicos diferentes y poblaciones heterogéneas. La historia reciente de la inteligencia artificial en salud nos recuerda que el rendimiento observado en un centro académico no siempre se reproduce en entornos externos.

Aun así, considero que este trabajo señala una dirección particularmente relevante para el futuro de la IA en medicina. Más que reemplazar al patólogo o al cirujano, la tecnología parece diseñada para complementar el proceso de toma de decisiones. La velocidad de respuesta podría permitir que el equipo quirúrgico avance en otros pasos de la intervención mientras espera la confirmación histopatológica definitiva. En otras palabras, la IA no sustituye el diagnóstico, pero puede optimizar el tiempo y aportar información adicional cuando cada minuto cuenta.

La idea de una biopsia óptica impulsada por inteligencia artificial ha sido durante años una aspiración tecnológica. Este estudio no significa que ya haya llegado a la práctica clínica rutinaria, pero sí ofrece una de las demostraciones más convincentes hasta ahora de que esa visión podría ser alcanzable. Si futuras validaciones confirman estos resultados, podríamos estar observando el inicio de una nueva generación de herramientas quirúrgicas en las que la imagen molecular y la inteligencia artificial trabajen juntas para transformar decisiones que hoy todavía dependen exclusivamente del juicio humano y de procesos diagnósticos más lentos.

Referencia:

Azari F, Kennedy GT, Hanna A, et al. Machine Learning–Guided Detection of Malignancy of Lung Nodules With Molecular Imaging–Guided Surgery. JAMA Network Open. 2026;9(1):e2551734. doi:10.1001/jamanetworkopen.2025.51734.