El cáncer endometrial representa el cuarto tumor de más rápido crecimiento en la población femenina a nivel mundial. Su diagnóstico histopatológico exige análisis detallados de muestras de tejido, un proceso laborioso que puede retrasar el tratamiento.

Recientemente, un consorcio internacional ha descrito en la revista Computer Methods and Programs in Biomedicine Update el desarrollo del modelo llamado ECgMLP. Es un sistema de inteligencia artificial (IA) que alcanza una precisión diagnóstica del 99,26 % en la detección del cáncer endometrial, superando ampliamente los rangos del 78–81 % de las plataformas automatizadas ya existentes.

El cáncer endometrial se diagnostica en 1 de cada 52 mujeres a lo largo de su vida. Suele aparecer con metrorragia anormal, dolor pélvico o es detectado a partir de una imagen incidental que eleva la sospecha. La sintomatología tiende a confundirse con alteraciones benignas, como pólipos o hiperplasia, lo que demora el diagnóstico en hasta 6 meses.

La supervivencia a 5 años difiere drásticamente según el estadio de diagnóstico. En los cánceres que inician su abordaje tardío, con clases III–IV, dicha supervivencia oscilar el 17 %, mientras que los diagnósticos tempranos, en clases I–II, pueden alcanzar el 95 % de supervivencia.

Hay una variabilidad interobservador que es el talón de Aquiles de estos diagnósticos. Los informes histológicos pueden variar según la experiencia del patólogo y la calidad de la tinción. Además, la carga de trabajo complica la observación. En laboratorios de alto volumen, el tiempo medio de revisión por caso supera los 10 minutos, lo que impacta en la celeridad del informe.

Aun hoy, hay limitaciones en la digitalización. Muchos sistemas de escaneo de portaobjetos conservan artefactos (manchas, distorsiones) que entorpecen los algoritmos de segmentación.

El modelo que desarrollaron los investigadores parte de un preprocesamiento multietapa. Primero hay normalización de la iluminación con un ajuste automatizado de histrogramas para homogeneizar el contraste. Luego viene la eliminación de los artefactos con filtrado morfológico para descartar manchas y burbujas. Finalmente, se hace segmentación de ROI con un algoritmo basado en transformada de watershed y clustering espectral para delimitar regiones glandulares y estromales con un error de segmentación < 2 % en validación cruzada.

El modelo principal es el multilayer perceptron con flujo de datos jerárquico (ECgMLP) con las siguientes características:

• Parámetros: 1,2 millones (vs. > 10 M en arquitecturas tipo ResNet).
• Función de activación: GELU.
• Mecanismo de atención: Autoencoder ligero para filtrar información irrelevante.
• Ablation study: evaluación de 12 configuraciones paramétricas en casos clínicos reales, optimizando tasa de aprendizaje, número de capas ocultas y tamaño de batch.
• Infraestructura: GPU NVIDIA Tesla V100; tiempo promedio de inferencia por muestra: 150 ms.

El dataset se compuso de 4500 imágenes histológicas digitalizadas de casos confirmados (estadios I–III). El 70 % del conjunto de datos fue para entrenamiento, el 15 % para validación y el 15 % para prueba independiente.

En comparación con los métodos convencionales, hay que considerar que los sistemas basados en SVM y CNN alcanzan 78–81 % de exactitud en cáncer de endometrio, con tiempos de procesamiento > 500 ms/muestra. Al contrario, el ECgMLP redujo el sesgo diagnóstico interobservador en un 65 % y disminuyó el tiempo de dictamen en un 70 % respecto al flujo de trabajo estándar.

La eficiencia computacional facilita su uso en laboratorios con equipamiento básico de digitalización. Además, sería un apoyo a la decisión clínica, ya que podría emplearse como segunda opinión en casos dudosos o como filtro previo para priorizar muestras. Al mejorar la precisión y reducir el tiempo de obtención de resultados, se aceleran los tratamientos quirúrgicos o sistémicos, elevando la supervivencia global.

Ahora se requieren ensayos clínicos multicéntricos para confirmar el desempeño del modelo en entornos reales y con muestras de distinta procedencia geográfica. Aunque los resultados preliminares en otros tumores son alentadores, es necesario ajustar hiperparámetros y preprocesamiento según las características tisulares específicas. En términos legales, faltaría la certificación CE y la aprobación de la FDA para su adopción masiva.