IA explicable mejora el diagnóstico de linfoma B no Hodgkin con menos datos

El desafío de diagnosticar linfomas B con citometría de flujo #

El linfoma no Hodgkin de células B (B-NHL, por sus siglas en inglés) es un grupo heterogéneo de cánceres del sistema linfático que afecta a millones de personas en todo el mundo. Su diagnóstico preciso es fundamental para elegir el tratamiento adecuado, pero también es técnicamente complejo. Una de las herramientas más importantes para identificarlo es la citometría de flujo multiparamétrica, una técnica de laboratorio que analiza simultáneamente múltiples características de las células sanguíneas para detectar patrones anormales propios de distintos subtipos de linfoma.

El problema es que interpretar los resultados de esta técnica requiere una formación muy especializada. Los datos son de alta dimensionalidad —es decir, involucran muchas variables al mismo tiempo—, la calidad de las muestras puede variar considerablemente, algunos subtipos de linfoma son muy poco frecuentes y los sistemas de clasificación clínica evolucionan con el tiempo. Todo esto hace que el diagnóstico sea un proceso exigente incluso para expertos con años de experiencia.

Qué es FlowXAI y cómo fue evaluado #

Para abordar estos desafíos, un equipo de investigadores desarrolló FlowXAI, un sistema de inteligencia artificial (IA) diseñado específicamente para apoyar la clasificación de linfomas B no Hodgkin a partir de datos de citometría de flujo. El estudio fue publicado en julio de 2026 en la revista PLOS Medicine bajo la autoría de Thrun, Hoffmann, Krause, Krawitz y colaboradores.

Lo que distingue a FlowXAI de otros sistemas de IA es su carácter autoexplicable: no solo emite un diagnóstico, sino que también reporta explícitamente qué tan confiable considera su propia predicción en cada caso individual. Además, combina un análisis estructural no supervisado —es decir, sin necesidad de que los datos estén previamente etiquetados— con un marco diagnóstico de múltiples niveles inspirado en las prioridades clínicas reales.

El sistema fue evaluado mediante validación cruzada repetida sobre un conjunto de 19.493 muestras de sangre periférica. Adicionalmente, fue puesto a prueba en un conjunto de datos externo e independiente generado en un centro diagnóstico diferente y con un panel de anticuerpos distinto, lo que añade solidez a los resultados al demostrar que el sistema puede funcionar en condiciones no idénticas a las de su entrenamiento.

Una característica técnica clave es el procedimiento denominado Tile Mining (TM), que realiza una evaluación previa de la calidad de las muestras identificando aquellas estructuralmente atípicas. Según los autores, esto permite filtrar los datos de entrenamiento y reducir sustancialmente la cantidad de muestras necesarias para entrenar el sistema, sin comprometer la evaluación imparcial sobre muestras independientes.

Qué encontraron los investigadores #

Según el estudio, FlowXAI logró un rendimiento diagnóstico comparable al de sistemas basados en aprendizaje profundo (deep learning), pero requiriendo aproximadamente dos órdenes de magnitud menos muestras de entrenamiento, lo que equivale a unas cien veces menos datos. Este es un hallazgo relevante, ya que uno de los principales obstáculos para implementar IA en medicina es precisamente la necesidad de grandes volúmenes de datos etiquetados, que no siempre están disponibles.

Además, los investigadores observaron que cuando el propio sistema clasificaba sus predicciones como “confiables” mediante su mecanismo de autoevaluación, el rendimiento diagnóstico superaba al del sistema de red neuronal utilizado como referencia. El análisis estructural no supervisado mostró una separación clara entre controles normales y algunas entidades linfomatosas específicas, como las leucemias linfocíticas crónicas similares a linfoma y la leucemia de células peludas. Sin embargo, según los autores, otras entidades no resultaron claramente separables con los paneles de anticuerpos estudiados.

Qué significan estos resultados en términos generales #

Los resultados sugieren que es posible construir sistemas de IA para diagnóstico hematológico que sean a la vez precisos, eficientes en el uso de datos y transparentes en su razonamiento. La transparencia es un aspecto que la comunidad médica ha señalado repetidamente como indispensable para confiar en las herramientas de IA: un sistema que solo da una respuesta sin explicar por qué resulta difícil de validar o de integrar en la práctica clínica real.

El enfoque de FlowXAI, que combina lógica de decisión interpretable con autoevaluación explícita, podría ser especialmente valioso en dos escenarios: centros donde no se dispone de hematólogos altamente especializados en citometría, y casos de linfomas raros donde los datos de entrenamiento son escasos por definición. Es importante subrayar que el sistema está concebido como una herramienta de apoyo diagnóstico, no como un reemplazo del juicio clínico del especialista. Cualquier decisión terapética debe ser tomada por un médico calificado.

Qué significa para América Latina #

En muchos países de América Latina, el acceso a hematólogos con formación avanzada en citometría de flujo es desigual y se concentra principalmente en grandes centros urbanos. Hospitales de ciudades intermedias o zonas rurales frecuentemente carecen de la experiencia local necesaria para interpretar estos estudios con la precisión requerida. En ese contexto, una herramienta como FlowXAI —que requiere menos datos para funcionar y es capaz de señalar cuándo su propio diagnóstico es incierto— podría representar un apoyo valioso para equipos con menor especialización, siempre dentro de flujos de trabajo integrados con supervisión médica.

Además, la disponibilidad pública del código fuente y de los conjuntos de datos utilizados en el estudio facilita que grupos de investigación de la región puedan evaluar, adaptar o replicar el sistema con datos propios, lo que podría contribuir a generar evidencia local sobre su desempeño en poblaciones latinoamericanas.

Limitaciones y lo que falta por confirmar #

Los propios autores señalan que la principal limitación del estudio es su diseño retrospectivo, basado en paneles de anticuerpos específicos. Esto significa que los resultados reflejan el rendimiento del sistema sobre datos ya recolectados, no sobre casos nuevos en tiempo real. FlowXAI aún requiere validación prospectiva —es decir, en condiciones clínicas reales y con casos nuevos— antes de poder integrarse formalmente en flujos de trabajo diagnósticos.

Asimismo, el rendimiento del sistema sobre entidades linfomatosas raras sigue siendo una incógnita parcial, dado que por definición estas condiciones cuentan con pocos casos disponibles para evaluación. Los autores también reconocen que algunos subtipos no resultaron claramente separables con los paneles estudiados, lo que indica que el sistema tiene áreas de mejora.

Consulta siempre con un especialista #

La investigación publicada en PLOS Medicine representa un avance metodológico prometedor en el uso de inteligencia artificial para el diagnóstico de linfomas. Sin embargo, como toda herramienta de apoyo clínico, su aplicación debe estar siempre supervisada por profesionales de la salud capacitados. Si usted o algún familiar enfrenta un proceso diagnóstico relacionado con linfoma u otras enfermedades hematológicas, es fundamental consultar con un médico hematólogo u oncólogo que pueda interpretar los resultados en el contexto clínico completo de cada persona.

Fuente original: Thrun MC et al. (2026). Self-explaining artificial intelligence for the classification of B cell non-Hodgkin lymphoma: A diagnostic decision support study. PLoS Med 23(7): e1004889. Ver artículo original.