El diagnóstico de cáncer se ha construido, y se sigue construyendo, sobre la experiencia y el criterio de los profesionales que analizan imágenes y tejidos.
Es una práctica consolidada, rigurosa y esencial. La inteligencia artificial no viene a sustituir ese saber acumulado, sino a sumarse a él: aportando una capa adicional de objetividad y homogeneidad en aquellos puntos del proceso donde la variabilidad entre profesionales es un reto conocido y documentado.
El diagnóstico de cáncer se ha construido, y se sigue construyendo, sobre la experiencia y el criterio de los profesionales que analizan imágenes y tejidos. Es una práctica consolidada, rigurosa y esencial. La inteligencia artificial no viene a sustituir ese saber acumulado, sino a sumarse a él: aportando una capa adicional de objetividad y homogeneidad en aquellos puntos del proceso donde la variabilidad entre profesionales es un reto conocido y documentado.
Cuando un patólogo examina al microscopio una biopsia de mama, pulmón o piel, su diagnóstico se apoya en años de formación y experiencia acumulada. La conclusión diagnóstica es, en la gran mayoría de los casos, coincidente entre profesionales. Sin embargo, en determinados análisis complejos (como el recuento mitótico, donde es necesario contar células y expresar el resultado en forma de porcentaje) diferentes patólogos pueden llegar a interpretaciones ligeramente distintas del mismo tejido. Esta realidad, conocida como variabilidad interobservador, representa un desafío concreto y bien documentado en ciertos diagnósticos. Y es precisamente aquí donde la inteligencia artificial (IA) está demostrando su mayor potencial.
El problema de la variabilidad interobservador
En determinadas variables diagnósticas con alto impacto clínico, la concordancia entre patólogos es un reto concreto y cuantificado. Un estudio internacional publicado en Modern Pathology (2023), con participación de investigadores de Yale y Johns Hopkins, analizó la puntuación de expresión de PD-L1 mediante el Combined Positive Score (CPS) en adenocarcinoma gástrico y esofágico: el índice de correlación interobservador se situó entre 0,45 y 0,55, considerado solo como acuerdo moderado, incluso tras sesiones de entrenamiento específico. En la misma línea, un estudio multicéntrico publicado en Cancers (2023) evaluó la puntuación de PD-L1 SP142 en cáncer de mama entre 12 patólogos de tres países europeos: el acuerdo absoluto se alcanzó únicamente en el 52% de los casos en torno al umbral de positividad del 1%. Los procedimientos histológicos tradicionales continúan siendo el estándar de referencia, y en la mayoría de los diagnósticos la concordancia entre especialistas es alta; no obstante, en ciertas variables cuantitativas (como el recuento mitótico o la puntuación de biomarcadores) la variabilidad entre observadores y la creciente carga de trabajo de los patólogos representan un desafío documentado.
Mejorar la concordancia en estas variables cuantitativas es, por tanto, un objetivo clínico con valor real. Una mayor homogeneidad en la evaluación de biomarcadores como PD-L1 o en el recuento mitótico contribuye a que las decisiones terapéuticas se tomen sobre una base más sólida y reproducible. La búsqueda de mayor precisión diagnóstica no es solo una
inquietud académica: es parte del compromiso continuo de la medicina por ofrecer a cada paciente la mejor atención posible.
La IA como herramienta de estandarización
La respuesta tecnológica a este reto ha llegado de la mano de la patología digital y los algoritmos de aprendizaje profundo (deep learning). La aplicación de algoritmos de IA basados en imágenes de portaobjetos digitales completos (whole-slide images o WSI) tiene el potencial de perfeccionar la detección de biomarcadores moleculares, reducir la variabilidad interobservador y el tiempo de trabajo del operador, evitar análisis patológicos y genómicos costosos, y, lo más importante, permitir la identificación de nuevos biomarcadores. Así lo recoge la revisión sistemática publicada en 2025 por Annals of Oncology (publicación oficial de la European Society for Medical Oncology (ESMO)), que analizó más de 270 estudios sobre aplicaciones de IA en patología oncológica.
Los algoritmos de IA aplicados al análisis de imágenes histopatológicas han demostrado, en estudios clínicos controlados, una capacidad de detección y clasificación comparable a la de patólogos expertos en tareas específicas y bien definidas. Entre las aplicaciones con mayor evidencia acumulada se encuentran la identificación de metástasis en ganglios linfáticos en cáncer de mama y la distinción entre tejido tumoral y tejido sano en distintos tipos de cáncer, con tasas de concordancia con el diagnóstico de referencia que en algunos estudios superan el 90%.
En paralelo, The Lancet Digital Health publicó en 2025 un artículo de referencia sobre el papel de la IA en la patología oncológica, donde se señala que un metaanálisis de 2025 reportó alta sensibilidad y especificidad de la IA en la detección de casos desafiantes con bajo nivel de concordancia interobservador, como los tumores con baja expresión de HER2.
Consistencia diagnóstica a escala global
El impacto de la IA en la consistencia diagnóstica va más allá del caso individual. Al proporcionar mediciones cuantitativas estandarizadas (como recuentos celulares, porcentajes de expresión de biomarcadores o índices de actividad tumoral), estos sistemas aportan al patólogo una referencia de datos objetivos sobre la que fundamentar y contrastar su criterio clínico. Esto contribuye a reducir la variabilidad en aquellas variables donde la cuantificación manual presenta mayor dispersión, y ayuda a que los diagnósticos sean más homogéneos entre profesionales y centros, mejorando así la calidad de los datos clínicos disponibles.
Este reconocimiento ha llegado también al más alto nivel institucional. Según la Organización Mundial de la Salud (OMS), la IA puede utilizarse para mejorar la velocidad y la precisión del diagnóstico y la detección de enfermedades, facilitando la atención clínica y reforzando la investigación en el ámbito de la salud y el desarrollo de medicamentos. Este potencial fue recogido por la OMS en su primer informe mundial sobre IA en salud, y ratificado en sus orientaciones regulatorias de 2023.
Los datos de adopción lo confirman: casi el 75 % de los Estados miembros de la UE ya utiliza la inteligencia artificial en diagnósticos médicos, según datos recogidos entre junio de
2024 y marzo de 2025, en un panorama en el que los sistemas de salud de toda la región están sentando activamente las bases necesarias para aprovechar estas tecnologías de forma segura, equitativa y responsable.
CELLS IA: aplicando la consistencia en patología oncológica en España
En España, empresas como CELLS IA trabajan para que estas tecnologías lleguen al entorno clínico bajo los más altos estándares de calidad. Sus soluciones están diseñadas para integrarse en los flujos de trabajo del laboratorio de patología y asistir al especialista en áreas diagnósticas donde la cuantificación objetiva aporta mayor valor. En todos los casos, la IA actúa como un soporte reproducible supeditado siempre al criterio del facultativo.
Un cambio de paradigma que ya está aquí
En anatomía patológica, los algoritmos actuarán como herramientas de apoyo, ayudando a priorizar casos, reducir la variabilidad interobservador y detectar patrones complejos. Esta visión refleja el consenso creciente en la comunidad médica: la IA no reemplaza al patólogo, sino que le proporciona una segunda lectura objetiva, sistemática y disponible a cualquier hora.
La incorporación de estas herramientas se enmarca en un proceso más amplio de digitalización de los servicios hospitalarios, que avanza de forma progresiva y coordinada en toda Europa. Desde el punto de vista de la seguridad, las soluciones de IA destinadas al diagnóstico clínico están sujetas a procesos regulatorios estrictos y deben superar una validación clínica rigurosa antes de su uso asistencial, lo que ofrece garantías sólidas tanto a los profesionales como a los pacientes. En paralelo, casi la mitad de los Estados miembros de la UE ya han creado puestos profesionales específicos para la IA y la ciencia de datos en el sector sanitario, y varios países tienen previsto introducir o ampliar programas de formación en IA en un futuro próximo, consolidando así las bases para una adopción informada y responsable.
La inteligencia artificial representa un avance cualitativo en el apoyo al diagnóstico oncológico: no como sustituto del criterio clínico, sino como una herramienta que proporciona al patólogo nuevas capas de información analítica, cuantitativa y reproducible sobre las que fundamentar sus decisiones. El patólogo dispone así de recursos que complementan su experiencia de forma sistemática y escalable, contribuyendo a que la calidad diagnóstica sea cada vez más homogénea entre profesionales y centros.
Fuentes:
Robert ME, Rüschoff J, Jasani B, Graham RP, Badve SS, Rodriguez-Justo M, et al. High interobserver variability among pathologists using combined positive score to evaluate PD-L1 expression in gastric, gastroesophageal junction, and esophageal adenocarcinoma. Modern Pathology. 2023;36(5):100154. DOI: 10.1016/j.modpat.2023.100154. PMID: 36925069. Licencia: CC BY 4.0
Crosta S, Boldorini R, Bono F, et al. Inter- and intra-observer agreement of PD-L1 SP142 scoring in breast carcinoma — a large multi-institutional international study. Cancers (MDPI). 2023;15(5):1511. DOI: 10.3390/cancers15051511. Licencia: CC BY 4.0
Marra A, Morganti S, Pareja F, Campanella G, Bibeau F, Fuchs T, et al. Artificial intelligence entering the pathology arena in oncology: current applications and future perspectives. Annals of Oncology (ESMO). 2025;36(7):712-725. DOI: 10.1016/j.annonc.2025.03.006. PMID: 40307127. © 2025 European Society for Medical Oncology. Publicado por Elsevier Inc. Todos los derechos reservados.
Application of artificial intelligence and digital tools in cancer pathology. The Lancet Digital Health. 2025; noviembre. DOI: 10.1016/S2589-7500(25)00115-3. © 2025 Elsevier Ltd. Todos los derechos reservados.
Hagir D, Gaikwad V, Mane D. Emerging role of digital pathology and artificial intelligence in cancer diagnosis and prognostication. IP Journal of Diagnostic Pathology and Oncology. 2025;10(1):11-22. DOI: 10.18231/j.jdpo.2025.004. Licencia: CC BY-NC-SA 4.0 WHO Regional Office for Europe. Artificial intelligence is reshaping health systems: state of readiness across the European Union. Copenhagen: WHO Regional Office for Europe; 2026. Documento: WHO/EURO:2026-12707-52481-81471. Licencia: CC BY-NC-SA 3.0 IGO
World Health Organization. Ethics and governance of artificial intelligence for health: WHO guidance. Geneva: WHO; 2021. Licencia: CC BY-NC-SA 3.0 IGO