Una IA de cáncer de mama ya señala sus propias dudas, en laboratorio

Pregunte a un modelo de IA por una mamografía y devolverá un diagnóstico. No dirá cuánta confianza merece esa respuesta concreta. Un equipo de la Universidad de Pittsburgh ha creado un modelo que sí lo hace: una red neuronal profunda, o DNN, que ofrece a cada paciente un diagnóstico junto con una puntuación de incertidumbre. El trabajo se presentó en la reunión anual de la Sociedad Internacional de Óptica y Fotónica (SPIE), celebrada en febrero de 2026 en Vancouver (Canadá).

Las DNN aprenden a partir de conjuntos de entrenamiento en los que personas han etiquetado las respuestas correctas. Llegan a ser muy buenas para predecir la respuesta probable en una población de pacientes, a veces casi siempre. Pero son mucho más débiles a la hora de indicar cuán fiable es un diagnóstico para una persona concreta. En una enfermedad que pone en peligro la vida, señala el equipo, incluso unos pocos diagnósticos erróneos son catastróficos para los pacientes afectados. El método del equipo, que denomina aprendizaje ponderado por incertidumbre (UWL), incorpora la puntuación de incertidumbre al propio entrenamiento, de modo que el modelo aprende a tratar los casos inciertos con más cautela.

El obstáculo era la capacidad de cálculo. Las mamografías son imágenes grandes y de alta resolución, y las unidades de procesamiento gráfico (GPU), los chips en los que mejor funcionan las DNN, necesitan una gran memoria compartida para procesar cada una sin acudir constantemente al almacenamiento. Jiren Li, doctorando, obtuvo tiempo de cómputo en Bridges-2, el supercomputador del PSC, a través de ACCESS, la red de centros de supercomputación gestionada por la Fundación Nacional para la Ciencia de Estados Unidos (NSF). Bridges-2 ofrecía 47 nodos GPU con 384 GPU de última generación, y cada nodo dispone de entre 128 y 2.000 gigabytes de RAM, frente a los 64 GB de un portátil de gama alta. Su sistema de almacenamiento Ocean tiene una capacidad útil de 15 petabytes.

El primer análisis, que comparó varias DNN basadas en UWL, fue alentador. Una de ellas ofreció buenas estimaciones de su propia incertidumbre, avisando a médicos y pacientes de cuándo un diagnóstico puede ser menos fiable para un paciente concreto. Lo hizo sin perder precisión en el conjunto de la población. La información publicada no ofrece cifras de precisión del modelo, y el equipo describe este trabajo como un primer análisis, no como una validación clínica.

Para los radiólogos, la ventaja sería una segunda señal junto a cada respuesta, que indicara qué casos merecen una lectura más detenida. Para los pacientes, sería una advertencia cuando un diagnóstico sea menos fiable en su caso personal. El equipo afirma que el mismo enfoque podría aplicarse a otros usos críticos de la IA, más allá del cáncer de mama. No ofrece un calendario para el uso clínico, y el modelo sigue en fase de investigación.