El futuro de la Patología en menos de 10 años

Transformación acelerada por la IA Multimodal

La Patología está atravesando una transformación acelerada gracias al desarrollo de modelos multimodales de inteligencia artificial. Estos modelos han demostrado una clara superioridad frente a los sistemas tradicionales de visión artificial entrenados solo para diagnósticos específicos –especialmente en cáncer– al combinar imágenes histológicas con otros datos relevantes【1】. De hecho, se observa que los modelos de visión-lenguaje en patología poseen ventajas inherentes sobre los clasificadores de imagen convencionales, gracias a su arquitectura multimodal que les permite comprender mejor el contexto global de una solicitud médica【2】. Por ello, la etapa dominada únicamente por modelos visuales parece llegar a su fin hacia finales de 2025, como lo sugiere la reciente evidencia de que los sistemas multimodales pueden superar a los unimodales en la interpretación médica integral【2】.

En este escenario, cuando un patólogo humano solicite asistencia diagnóstica basada en visión artificial, los modelos multimodales integrarán no solo la imagen, sino también los datos clínicos relevantes, formulando hipótesis diagnósticas más completas【3】. La integración de información clínica con hallazgos morfológicos permite un diagnóstico más robusto que la imagen aislada, aprovechando tanto la precisión de algoritmos especializados en visión como el contexto más amplio que aportan los datos del paciente【3】. Lo ideal será alcanzar un equilibrio: combinar la alta precisión de los modelos de visión artificial específicos con la amplitud contextual de los modelos multimodales en un solo flujo de trabajo asistido por IA.

Hace algunos días, en comunicación con colegas de la Asociación Peruana de Patólogos, resaltaba la necesidad de orientar nuestro interés hacia los modelos multimodales en Patología. Estos sistemas ya existen: integran información clínica y patológica, y pueden recibir texto, audio o video además de imágenes para elaborar hipótesis diagnósticas【4】. Un ejemplo reciente es PathChat, un asistente generalista para patología que combina un modelo de visión entrenado en imágenes histológicas con un gran modelo de lenguaje, logrando responder con exactitud preguntas diagnósticas complejas a partir de insumos visuales y clínicos【4】. Aunque aún no cuentan con certificación clínica plena, su capacidad es notable, adelantándose incluso a las proyecciones iniciales que esperaban estas tecnologías para 2027 o 2028. Este ritmo acelerado refleja el interés de las grandes empresas tecnológicas por consolidar su presencia en una de las ramas diagnósticas más determinantes para el pronóstico, tratamiento e investigación médica【5】【17】.

La Patología como punto de convergencia tecnológica

La Patología se ha convertido en un eje donde confluyen la inteligencia artificial, la medicina de precisión y múltiples ramas de las ciencias computacionales. En oncología, este interés es aún más evidente: las empresas líderes mundiales impulsan gran parte de los avances en análisis integrados de datos moleculares y patológicos【5】. Los modelos de IA en patología oncológica combinan imágenes de biopsias con datos genómicos y clínicos para, por ejemplo, predecir respuesta a tratamientos o pronóstico, lo que ejemplifica esa convergencia disciplinaria impulsada por actores globales【5】.

Sin embargo, los pequeños laboratorios de Patología también deben asumir un rol activo. Para progresar en el campo de la Patología computacional se requieren dos estrategias clave:

1. Incrementar el músculo computacional mediante la adquisición de infraestructura tecnológica adecuada. Es decir, invertir en hardware (servidores, GPUs de alto rendimiento, almacenamiento seguro) y plataformas de software que permitan desarrollar e implementar algoritmos de IA en el flujo de trabajo del laboratorio【6】. Muchos laboratorios enfrentan limitaciones en la capacidad de procesamiento y deben solventarlas para poder aprovechar la IA a escala clínica【6】.

2. Atraer talentos en inteligencia artificial, no necesariamente médicos, sino ingenieros y profesionales en ciencias de la computación capaces de desarrollar modelos tanto de visión artificial como multimodales. Actualmente existe una escasez de personal con formación dual en patología e IA【6】. La creación de equipos interdisciplinarios, donde patólogos trabajen junto a científicos de datos e ingenieros, es fundamental para poder entrenar e implementar modelos con impacto real en diagnósticos.

La velocidad de los avances en IA, sumada a la aparición de modelos generativos capaces de crear y optimizar sus propios algoritmos, hace urgente la creación de equipos nacionales de investigación en Patología computacional. Es análogo a entrenar un equipo de fútbol: aunque no participemos inmediatamente en una liga mundial, ganar experiencia en el campo formará a los talentos del futuro. Recientemente, por ejemplo, se publicó un sistema de IA investigadora que de forma autónoma propone, implementa y prueba nuevas arquitecturas de redes neuronales, representando un “momento AlphaGo” en el descubrimiento de arquitecturas de IA sin intervención humana【7】. Si no se organiza una respuesta a nivel país ante innovaciones de este tipo, la brecha con los pares internacionales será insalvable.

Recomendaciones para el desarrollo en Patología computacional

Para avanzar de manera sólida en esta área, se recomienda:

• Adquirir escáneres digitales de forma masiva y organizar un sistema nacional de almacenamiento y gestión de datos. La digitalización completa de las muestras histológicas es el primer paso para implementar IA; contar con una red nacional de escáneres de láminas y un repositorio central interoperable permite construir bases de datos amplias y diversas【8】【18】.

• Construir infraestructura de cómputo y almacenamiento híbrido, acompañada de soporte en ingeniería de sistemas y hardware. Es decir, combinar servicios en la nube (para escalabilidad) con servidores locales (para rapidez y privacidad), asegurando el soporte técnico necesario para mantener estas plataformas 24/7【8】. Muchos hospitales rurales carecen de infraestructura, por lo que una estrategia híbrida nacional podría equilibrar recursos.

• Digitalizar sistemáticamente todas las láminas histológicas, generando datasets organizados por tipo de tejido o enfermedad. La curación de datos es crucial: bases de datos bien etiquetadas y de alta calidad permiten entrenar algoritmos con mejor desempeño diagnóstico【8】. Además, las imágenes digitalizadas pueden enriquecerse con anotaciones de patólogos expertos para entrenar IAs de manera supervisada.

• Migrar a solicitudes anatomopatológicas 100% digitales, enlazando directamente datos clínicos con diagnósticos. Esto implica integrar el laboratorio de patología con el historial clínico electrónico, de modo que la información relevante del paciente (edad, comorbilidades, hallazgos radiológicos, etc.) esté disponible para la IA al momento de analizar una muestra. Esta vinculación facilita tanto el diagnóstico asistido por IA como la telepatología, permitiendo que patólogos remotos revisen casos digitalizados, y potenciando la salud digital y el screening en zonas rurales o de difícil acceso【9】【19】.

Este esfuerzo no solo impulsará la investigación, sino que además facilitará áreas prácticas como la telepatología (diagnóstico a distancia) –con evidencias de reducción de tiempos de espera y mejora en el acceso a diagnóstico en áreas desatendidas【9】【19】–, la salud digital en general, y el tamizaje poblacional en regiones rurales donde no hay especialistas in situ.

Asimismo, es fundamental crear divisiones de alta tecnología en Patología, con programas de fellowship centrados en Patología computacional. Estos espacios deben promover la independencia tecnológica (desarrollo de soluciones propias), la colaboración estrecha entre patólogos e ingenieros, y el aprovechamiento del código abierto para implementar experimentos avanzados sin depender completamente de proveedores comerciales【10】【20】. Varios autores enfatizan que el patólogo debe involucrarse en el desarrollo de la IA para garantizar que las innovaciones se alineen con las necesidades clínicas y se preserve el juicio médico en la era digital【10】. En esa línea, iniciativas de capacitación y entrenamiento especializado –como intercambios en centros internacionales o proyectos conjuntos academia-industria– serían altamente beneficiosas.

Tendencias mundiales y el reto nacional

En países del primer mundo, la Patología computacional avanza a pasos agigantados: cada vez más hospitales adoptan el diagnóstico digital y sistemas de IA para apoyo clínico. En contraste, en el Perú la investigación en este campo es escasa, con excepciones aisladas de experimentación de alto nivel. No obstante, aún estamos a tiempo de aprovechar esta ola tecnológica si actuamos con rapidez.

El ejemplo de China es revelador: pese a limitaciones en poder de cómputo, ha desarrollado mecanismos alternativos (como algoritmos más eficientes y enfoques de optimización) para compensar sus carencias, demostrando que los desafíos pueden ser punto de partida para la innovación. La tendencia global apunta hacia modelos de IA más eficientes en el uso de recursos y con mayor capacidad de razonamiento, como los HRM (Hierarchical Reasoning Models) inspirados en la corteza cerebral【11】. Este nuevo tipo de arquitectura jerárquica, propuesta en 2025, imita los ciclos de planificación abstracta y detalle del cerebro humano, logrando resolver tareas complejas con una fracción de los datos y parámetros que requerían los modelos previos【11】.

También han aparecido arquitecturas capaces de automejorarse, descritas en publicaciones recientes como el equivalente al “AlphaGo moment” en el descubrimiento de nuevas arquitecturas de IA【7】. En otras palabras, la IA está comenzando a diseñar arquitecturas de IA novedosas que superan a las ideadas por humanos, tal como AlphaGo sorprendió con jugadas inéditas en el Go. Este hecho marca un hito histórico y sugiere que la innovación en IA podría acelerarse aún más mediante bucles autónomos de investigación.

Estrategias realistas para el Perú

No podemos (ni necesitamos) crear datacenters masivos como los de Google o Microsoft, pero sí podemos agenciarnos de algunas de las mejores tarjetas gráficas y hardware especializado disponibles actualmente para lograr experimentos de nivel state of the art (SOTA) en nuestro contexto. Quizá dependamos en cierta medida del hardware que otorgan fabricantes líderes como NVIDIA, pero la independencia tecnológica en el campo de la IA sigue siendo factible aprovechando la infraestructura local de forma inteligente. Es importante no confundir los datacenters típicos (orientados a almacenamiento y servicios generales) con los datacenters de IA, que son muy distintos: estos últimos funcionan como supercomputadoras especializadas, diseñadas para ejecutar de manera óptima procesos de entrenamiento e inferencia de modelos de IA (por ejemplo, con interconexiones de altísima velocidad entre cientos de GPUs trabajando en paralelo). En lugar de buscar volumen, debemos buscar especialización y eficiencia en nuestras instalaciones de cómputo.

Debemos aprender de los errores y experiencias ya documentadas por nuestros pares internacionales, aprovechando ese conocimiento para enfocar nuestro desarrollo con mayor eficiencia y realismo. Muchos países han publicado casos de estudio sobre la implementación fallida o exitosa de la patología digital –desde problemas con la integración de sistemas hasta resistencia al cambio cultural– y esas lecciones son oro puro que debemos asimilar para no repetirlas.

El futuro: patólogos humanos y humanoides

Es posible imaginar, en menos de diez años, una práctica médica donde convivan patólogos humanos y patólogos humanoides dotados de modelos de IA multimodales. Para evitar una brecha de conocimiento entre ambos, los patólogos deberán emplear interfaces cerebro-computadora (BCI) que conecten directamente su cerebro con internet, bibliografía médica y datos clínicos, permitiendo colaborar en tiempo real con sistemas de IA【12】【13】. Ya se han dado pasos en esta dirección: los brain-computer interfaces modernos no solo decodifican señales cerebrales para mover un cursor, sino que comienzan a retroalimentar información útil al cerebro –en teoría, un patólogo podría “pensar” en consultar cierta información y recibirla directamente como estimulación neuronal, acortando drásticamente la brecha entre conocimiento y decisión clínica【12】【13】. Si bien suena futurista, los llamados co-procesadores cerebrales están en desarrollo para aumentar las funciones del cerebro humano con apoyo de AI, e incluso se ha planteado su uso para conectar mentalmente a especialistas con bases de datos médicas globales【13】.

Los humanoides (robots con forma y comportamiento humano) podrán cubrir zonas rurales sin especialistas, mientras que superinteligencias artificiales hospitalarias gestionarán grandes volúmenes de datos con eficiencia en centros especializados. El resultado será un beneficio directo para los pacientes: diagnósticos más precisos, medicina más asequible y descubrimientos científicos acelerados. Es concebible que en el futuro cercano desaparezcan los caseríos, comunidades y centros poblados sin especialistas médicos, pues los humanoides no descansan, no reclaman, toleran la intemperie y tienen ventajas físicas respecto a los humanos para ciertas tareas logísticas. La tendencia mundial apunta a humanoides cada vez más eficientes y más baratos de crear/adquirir, con proyecciones económicas enormes para las próximas décadas. Estudios recientes sugieren que utilizar robots asistidos por IA en entornos clínicos puede aliviar la escasez de profesionales de la salud en regiones apartadas y reducir riesgos para el personal humano (por ejemplo, en pandemias)【14】. Es fundamental contar con estos dispositivos en nuestro sistema sanitario, porque la experiencia física de la IA –es decir, la capacidad de interactuar directamente con pacientes y entornos fuera del mundo digital– es radicalmente distinta y complementaria a la que brindan los algoritmos únicamente virtuales.

Pero para que esto ocurra, debemos dejar de ser usuarios pasivos y convertirnos en creadores de tecnología. La inteligencia artificial y los humanoides se construyen con talento humano, y ahora es el momento de que los líderes nacionales decidan qué futuro entregarán a las próximas generaciones. La Patología, como especialidad, ha tenido una gran evolución: desde los primeros sistemas de visión artificial narrow para tareas puntuales, hasta convertirse en modelo a seguir en la adopción de IA para el resto de disciplinas. No es casualidad que las especialidades más cognitivas (aquellas basadas en interpretación de información visual y datos, como Patología y Radiología) hayan sido las que más se beneficiaron en esta primera etapa de la revolución de IA médica【15】. Y con la publicación reciente de la Universidad de Stanford del primer robot capaz de realizar una colecistectomía de manera autónoma –sin intervención humana directa y con razonamiento en curso durante el procedimiento–, es evidente que lo visto en Patología se extrapolará irremediablemente al resto de las ciencias de la salud【16】. La era en que el patólogo y su contraparte de silicio trabajan codo a codo ha comenzado, y nos corresponde a nosotros definir cómo integrar lo mejor de ambos mundos en beneficio de nuestros pacientes.

En conclusión, el futuro de la Patología en nuestro país dependerá de nuestra capacidad para integrar la inteligencia artificial multimodal en la práctica clínica, fortaleciendo tanto la independencia tecnológica como la formación de nuevas generaciones de patólogos. Todas las ramas de la especialidad se verán potenciadas mediante la incorporación progresiva de IA multimodal y, en el futuro cercano, de sistemas humanoides en los flujos de trabajo.

Referencias Bibliográficas:

1. Vollmer, A., Hartmann, S., Vollmer, M., et al. (2024). Multimodal artificial intelligence-based pathogenomics improves survival prediction in oral squamous cell carcinoma. Scientific Reports, 14(1), 5687. https://doi.org/10.1038/s41598-024-56172-5

2. Ferber, D., Wölflein, G., Richter, C., et al. (2024). In-context learning enables multimodal large language models to classify cancer pathology images. Nature Communications, 15, Article 10104. https://doi.org/10.1038/s41467-024-51465-9

3. Simon, B. D., Ozyoruk, K. B., Gelikman, D. G., Harmon, S. A., & Türkbey, B. (2025). The future of multimodal artificial intelligence models for integrating imaging and clinical metadata: a narrative review. Diagnostic and Interventional Radiology, 31(4), 303-312. https://doi.org/10.4274/dir.2024.242631

4. Lu, M. Y., Chen, B., Williamson, D. F. K., et al. (2024). A multimodal generative AI copilot for human pathology. Nature, 634(7937), 466-473. https://doi.org/10.1038/s41586-024-07618-3

5. Baysal, M. A., Chakraborty, A., & Tsimberidou, A. M. (2025). Convergence of evolving artificial intelligence and machine learning techniques in precision oncology. npj Digital Medicine, 8, Article 1471. https://doi.org/10.1038/s41746-025-01471-y

6. Cui, M., & Zhang, D. Y. (2021). Artificial intelligence and computational pathology. Laboratory Investigation, 101(4), 412-422. https://doi.org/10.1038/s41374-020-00514-0

7. Liu, Y., Nan, Y., Xu, W., et al. (2025). AlphaGo Moment for Model Architecture Discovery. arXiv preprint arXiv:2507.18074.

8. Fraggetta, F., L’Imperio, V., Ameisen, D., et al. (2021). Best practice recommendations for the implementation of a digital pathology workflow in the anatomic pathology laboratory by the European Society of Digital and Integrative Pathology (ESDIP). Diagnostics, 11(11), 2167. https://doi.org/10.3390/diagnostics11112167

9. Daniel, M., Yousef, G. M., & Clarke, B. (2025). From microscopes to monitors: Unique opportunities and challenges in digital pathology implementation in remote regions. Diagnostics, 15(16), 1983. https://doi.org/10.3390/diagnostics15161983

10. Mirza, K. A., & Gaffney, H. J. (2025). Pathology in the artificial intelligence era: guiding innovation and implementation to preserve human insight. Academic Pathology, 12(1), 2374289525617812. https://doi.org/10.1177/2374289525617812

11. Wang, G., Li, J., Sun, Y., et al. (2025). Hierarchical Reasoning Model. arXiv preprint arXiv:2506.21734.

12. Sun, Y., Chen, X., Wu, B., et al. (2024). Signal acquisition of brain–computer interfaces: A medical-engineering crossover perspective review. Fundamental Research, 5(1), 3-16. https://doi.org/10.1016/j.fmre.2023.04.002

13. Rao, R. P. N. (2020). Brain Co-Processors: Using AI to Restore and Augment Brain Function. arXiv preprint arXiv:2012.03378.

14. Deo, N., & Anjankar, A. (2023). Artificial intelligence with robotics in healthcare: A narrative review of its viability in India. Cureus, 15(5), e39416. https://doi.org/10.7759/cureus.39416

15. Topol, E. J. (2019). High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine, 25(1), 44-56. https://doi.org/10.1038/s41591-018-0300-7

16. Kim, J. W. B., Chen, J. T., Hansen, P., et al. (2025). SRT-H: A hierarchical framework for autonomous surgery via language-conditioned imitation learning. Science Robotics, 10(104), eadt5254. https://doi.org/10.1126/scirobotics.adt5254

17. Baxi, V., Edwards, R., Montalto, M., & Savelieff, M. G. (2022). Digital pathology and artificial intelligence in translational medicine and clinical practice. Nature Medicine, 28(9), 1639-1649. https://doi.org/10.1038/s41591-022-01985-0

18. Evans, A. J., Salama, M. E., Henricks, W. H., & Pantanowitz, L. (2018). Implementation of whole slide imaging for clinical purposes: Issues to consider from the pathologist’s perspective. Archives of Pathology & Laboratory Medicine, 142(7), 742-757. https://doi.org/10.5858/arpa.2017-0361-RA

19. Farahani, N., Riben, M., & Evans, A. J. (2016). International telepathology: promises and pitfalls. Pathobiology, 83(2-3), 121-126. https://doi.org/10.1159/000442390

20. Drogt, J., Milota, M., Spoelstra, B., Boon, M. E., & van Leeuwen, T. N. (2024). The promise of AI for image-driven medicine: qualitative interview study of radiologists’ and pathologists’ perspectives. JMIR Human Factors, 11(1), e52514. https://doi.org/10.2196/52514