Modelo de IA para diagnóstico temprano de cáncer de vesícula biliar muestra alta precisión en estudio multicéntrico
Investigadores del PGIMER (India) desarrollaron y publicaron en The Lancet Regional Health un modelo de inteligencia artificial que analiza videos de ultrasonido estándar y detecta con precisión el cáncer de vesícula biliar en etapas tempranas. El modelo está disponible gratuitamente como aplicación, lo cual es crítico para regiones de alto riesgo.
PARIDAD PERIFÉRICA: Cómo la IA india supera a los diagnósticos donde fallan los sistemas costosos
[La Esencia]: Lo que realmente está pasando
El 22 de mayo de 2026, un estudio publicado en The Lancet Regional Health – Southeast Asia trastoca la noción de cómo debería ser un sistema de IA médica "adecuado".
Un equipo liderado por el Dr. Pankaj Gupta del PGIMER (Chandigarh) desarrolló un modelo basado en tecnología de aprendizaje de instancias múltiples que analiza videos de ultrasonido estándar y detecta cáncer de vesícula biliar. Sin costosos TAC. Sin contraste. Sin un especialista altamente calificado en el lugar.
El modelo toma múltiples imágenes de ultrasonido de un solo paciente (como haría un radiólogo en la práctica real) y emite un único diagnóstico — "cáncer" o "no cáncer" — junto con una puntuación de probabilidad y el resaltado de las áreas de la imagen que influyeron en la decisión.
Y crucialmente: Karthik Bose, un científico de la computación del equipo, desarrolló una aplicación de escritorio gratuita que ya se está distribuyendo a hospitales que lo solicitan.
¿Por qué este evento va más allá de "una publicación más sobre IA"?
Porque es la primera vez que un sistema de IA para diagnóstico de cáncer en ultrasonido se diseña no para "asistir a un experto en un centro", sino para reemplazar completamente la ausencia de un experto en la periferia.
Cronología y Contexto
2018: El equipo del Dr. Gupta comienza a trabajar en el proyecto. El problema que intentan resolver se conoce desde hace décadas: el cáncer de vesícula biliar en el norte de India mata porque se detecta tarde. Hay ecógrafos en todos los hospitales de distrito. No hay radiólogos capaces de reconocer signos tempranos de malignidad.
2022: Últimos datos globales de GLOBOCAN: 122.491 nuevos casos de cáncer de vesícula biliar en todo el mundo. India ocupa el segundo lugar después de China con 21.870 casos. Pero más importantes que los números absolutos son las tasas estandarizadas: entre las mujeres indias, la TAE es de 2,1 por 100.000. En los estados del norte, es aún mayor.
Abril 2026: Publicación del estudio en The Lancet Regional Health – Southeast Asia. El modelo se valida con datos de cuatro grandes hospitales del norte de India.
22 de mayo de 2026: La noticia llega a los medios de comunicación generalistas. La aplicación está disponible para hospitales de nivel nacional.
Lo que queda detrás de escena de la mayoría de los informes: el modelo se basa en aprendizaje de instancias múltiples (MIL). No es un clasificador de imágenes individuales, donde un artefacto podría engañar al algoritmo. Es un sistema que examina el conjunto completo de imágenes y aprende a identificar patrones dispersos en diferentes fotogramas — tal como lo hace el ojo humano al ver un video.
Quién Gana y Quién Pierde
Ganadores (evidentes):
- PGIMER y el equipo del Dr. Gupta. El instituto, antes conocido principalmente en círculos académicos indios, ahora entra en la agenda global sobre IA en diagnósticos. El Dr. Pankaj Gupta se convierte en la persona invitada a todas las grandes conferencias de IA médica en 2026–2027.
- Hospitales periféricos y sus pacientes. En zonas rurales del norte de India, donde no hay un especialista capaz de distinguir el cáncer temprano de vesícula biliar de la colecistitis crónica con cálculos, ahora existe una herramienta. Y es gratuita.
- Mujeres del norte de India. El cáncer de vesícula biliar es el cáncer más común del sistema digestivo entre las mujeres del norte de India. La incidencia es de 21 casos por 100.000 mujeres. La litiasis biliar, el principal factor de riesgo, se presenta en el 80% de los pacientes con cáncer de vesícula biliar. Este grupo se beneficiará más del diagnóstico temprano.
Perdedores:
- Fabricantes de costosos sistemas de TAC y RMN en India. Cuanto más preciso sea el diagnóstico por ultrasonido con IA, menos derivaciones para tomografía computarizada. Cada derivación evitada significa una pérdida de ingresos de 50–200 USD para un centro de diagnóstico. En toda India, eso son millones de dólares.
- Startups occidentales de IA que intentan entrar al mercado indio. Venden soluciones por miles de dólares por licencia, a menudo con suscripción. PGIMER regala su aplicación. En el segmento sensible al precio de la medicina periférica india, este factor lo decide todo.
- Radiólogos en pueblos pequeños. No porque vayan a perder su empleo (ya hay catastróficamente pocos), sino porque su modelo de negocio, basado en consultas pagadas por interpretación de ecografías, se verá desafiado. Una aplicación que diagnostica gratis devalúa el servicio.
Lo Que los Medios No Están Diciendo
Perspectiva no obvia n.º 1: La aplicación gratuita es una jugada brillante pero de alto riesgo
El equipo de PGIMER hizo la aplicación gratuita. Parece altruismo. En realidad, es la única forma de implementar un sistema así en hospitales públicos indios, donde el presupuesto de adquisición de TI a nivel de distrito a menudo no supera los 5.000–10.000 USD al año.
Pero lo gratuito tiene una desventaja: ¿quién pagará por el soporte?
Actualizaciones del modelo cuando lleguen nuevos datos. Integración con diferentes ecógrafos (docenas de modelos de varios fabricantes en India). Soporte técnico para médicos que no son especialistas en TI.
Actualmente, el equipo de PGIMER hace esto con fondos de subvenciones. Pero las subvenciones se acaban. Un sistema de IA en medicina no puede "abandonarse" — requiere control de calidad y actualizaciones constantes.
Escenario probable en 12–18 meses: la versión básica gratuita permanece, pero las funciones avanzadas (integración con HIS, generación automática de derivaciones, auditoría remota) serán de pago. O aparecerá un contrato gubernamental con el Ministerio de Salud de India para su escalado.
Perspectiva no obvia n.º 2: La elección del cáncer de vesícula biliar no es aleatoria. Es un modelo ideal para probar el concepto de "IA para los pobres"
El equipo del Dr. Gupta no eligió esta localización por casualidad.
El cáncer de vesícula biliar tiene un protocolo diagnóstico claro, directo y "rutinario": ecografía → si hay sospecha → TAC/RMN. El problema no es la falta de tecnología, sino la falta de cualificación en la primera etapa.
Este es el nicho perfecto donde la IA puede reemplazar no a un médico, sino a la ausencia de un médico. Y la prueba funciona en cualquier región del mundo con un problema similar — desde zonas rurales de Bangladés (TAE 7,7 en mujeres, casi 4 veces más que en India) hasta áreas remotas de Chile (TAE 7,4) y Bolivia (TAE 8,4).
Además, desde la perspectiva de la medicina basada en evidencia, este es un modelo limpio: resultado binario (cáncer/no cáncer), verificación con estándar de oro (histología tras colecistectomía o biopsia), criterios de inclusión claros.
Si el modelo muestra alta sensibilidad y especificidad en ensayos prospectivos (la siguiente fase que el equipo ya está planificando), se puede adaptar para otros cánceres diagnosticados por ecografía — cáncer de ovario, cáncer de hígado, cáncer de páncreas.
Perspectiva no obvia n.º 3: Los datos preclínicos muestran que la sensibilidad aún está lejos de lo ideal
En un trabajo anterior del mismo grupo (2024, Clinical and Experimental Hepatology), se compararon dos modelos profundos — GBCNet y MedViT — para clasificar lesiones de vesícula biliar en ecografías no diagnósticas.
Las cifras fueron modestas: la sensibilidad de GBCNet para la detección de cáncer fue del 51,1%, la especificidad del 83,3%, AUC 0,709. MedViT mostró una sensibilidad del 92,8%, pero una especificidad de solo el 50%.
Esto significa que un modelo pasa por alto la mitad de los casos de cáncer. El segundo da falsas alarmas en la mitad de los casos.
El estudio de 2026 en The Lancet Regional Health probablemente muestra mejores resultados (de lo contrario no se habría publicado en una revista así), pero los detalles de las métricas no se divulgan en las fuentes disponibles. Sin la publicación de la matriz de error completa, es prematuro juzgar la idoneidad real del modelo para uso clínico.
Pronóstico: Próximos 30 Días y 90 Días
30 días (para finales de junio de 2026):
- Ola de solicitudes de hospitales. PGIMER ya está recibiendo solicitudes de "hospitales de nivel nacional" para la aplicación. En un mes, el número de solicitudes crecerá hasta decenas. La cuestión es cómo manejará el equipo la distribución y la formación inicial sin un personal dedicado.
- Publicación de métricas completas. Se espera que en las próximas semanas, ya sea el propio Gupta o analistas independientes, revelen la sensibilidad, especificidad y AUC exactas del modelo del estudio de 2026. Si la sensibilidad supera el 85% con una especificidad superior al 80%, eso es nivel comercial. Si es menor, sigue siendo una herramienta de cribado de nicho.
- Negociaciones con el gobierno. Es probable que el Ministerio de Salud de India ya esté al tanto del desarrollo. Los próximos 30 días mostrarán si surge un programa piloto oficial de implementación en 5–10 hospitales de distrito. El presupuesto para dicho piloto oscila entre 500.000 y 1 millón de USD durante 12 meses.
90 días (para finales de agosto de 2026):
- Inicio del ensayo clínico prospectivo. El equipo del Dr. Gupta ha declarado planes para validar el modelo en ensayos prospectivos. Diseño: inclusión de pacientes con sospecha de cáncer de vesícula biliar, ecografía paralela con interpretación de IA y verificación independiente (TAC/RMN + histología). Período de inclusión: 6–12 meses, resultados no antes de 2027.
- Integración en flujos de trabajo de ecografía. La versión actual es una aplicación de escritorio donde las imágenes deben cargarse manualmente. El siguiente paso es la integración directamente en los ecógrafos. PGIMER ya está explorando esta posibilidad. Técnicamente, es más complejo y costoso, pero este formato haría que la tecnología fuera "invisible" para el médico.
- Interés de organizaciones internacionales. La OMS, la Fundación Bill y Melinda Gates, el Banco Mundial — todos están interesados en soluciones escalables para el diagnóstico de cáncer en entornos de bajos recursos. En 90 días, podrían surgir contactos preliminares sobre la financiación de la siguiente fase. Tamaño potencial de la subvención: de 2 a 5 millones de USD en 3 años.
Pronóstico principal:
En 2–3 años, el modelo de PGIMER se convertirá en:
- (a) Un sistema nacional de cribado de cáncer de vesícula biliar en India — si los ensayos prospectivos confirman la eficacia y el gobierno asigna un presupuesto de escalado.
- (b) Una biblioteca de código abierto para IA médica en entornos de bajos recursos — si el modelo no alcanza la precisión requerida, pero el enfoque MIL resulta reproducible y otros grupos comienzan a adaptarlo para sus tareas.
En cualquier caso, PGIMER ya ha logrado lo que ninguna universidad o corporación occidental ha conseguido: crear una herramienta de IA para el diagnóstico de cáncer que es gratuita, funciona con equipos rutinarios y no requiere un operador altamente cualificado.
Es en estos proyectos "feos", "de nicho", "periféricos" — no en las declaraciones rimbombantes sobre una IA que todo lo ve — donde nace la verdadera revolución médica para los 4 mil millones de personas en el planeta que carecen de acceso a diagnósticos especializados.
PGIMER no esperó a que alguien más resolviera sus problemas. Tomaron un ecógrafo, añadieron un poco de aprendizaje automático y lo regalaron a quienes más lo necesitan. Eso es IA médica en su máxima expresión.
— Editorial Team
