Más allá del Clasificador Estático: Arquitecturas Agénticas Colectivas, Navegación Espacio-Temporal y Aprendizaje por Demostración en TissueOS

Resumen / Abstract

La patología digital contemporánea ha permanecido predominantemente anclada en un paradigma reduccionista: la clasificación y segmentación estática de teselas (patch-based inference) desacoplada de la dinámica cognitiva del anatomopatólogo. En este artículo presentamos los fundamentos arquitectónicos y conceptuales de dos subsistemas neurálgicos de TissueOS: Pathology Flight (PF) y el flujo agéntico deliberativo Tumor Board. A través del registro cinemático, multiescala y temporal de la interacción humana sobre preparaciones completas (Whole Slide Images, WSI), Pathology Flight formaliza el aprendizaje por demostración para modelar el comportamiento diagnóstico y sentar las bases de la patología encarnada (embodied AI). Paralelamente, Tumor Board implementa un ecosistema de seis agentes cognitivos especializados que exploran, interrogan, refutan y sintetizan hallazgos morfológicos hasta converger en mapas de probabilidad calibrados. Se discute la transición de modelos predictivos pasivos hacia inteligencias activas capaces de razonamiento morfológico colaborativo.

1. El límite del paradigma clásico en patología computacional

En nuestra publicación anterior («De la patología computacional a la construcción de inteligencia médica»), señalamos que la inteligencia médica en anatomía patológica no puede surgir de la simple memorización correlativa de patrones píxel a píxel. Las preparaciones histológicas completas (Whole Slide Images, WSI) poseen gigapíxeles de información dentro de una estructura jerárquica compleja: arquitectura tisular a bajo aumento, interacciones del microambiente estromal a aumentos medios y detalle subcelular (pleomorfismo, hipercromatismo, cinéticas mitóticas) a máxima resolución.

El enfoque hegemónico de la literatura consiste en fragmentar la lámina en cuadrículas arbitrarias, extraer vectores de características mediante una red convolucional o un transformador de visión (ViT) y agregar estas representaciones mediante atención débilmente supervisada (MIL). Si bien esta técnica logra altos valores de AUC en tareas acotadas, carece de intencionalidad, atención selectiva y memoria de trabajo. Un patólogo humano no computa uniformemente millones de teselas: formula hipótesis dinámicas, ejecuta movimientos sacádicos visuales de búsqueda activa, focaliza áreas disonantes y contrasta sospechas diagnósticas frente al contexto clínico.

Para superar este cuello de botella, en el ecosistema TissueOS concebimos dos ramas de desarrollo que hoy compartimos desde su dimensión estructural: el modelado de la exploración humana (Pathology Flight) y la deliberación cooperativa automatizada (Tumor Board).

Figura 1. Ecosistema TissueOS: Integración entre Pathology Flight (aprendizaje por demostración y modelado cinemático) y Tumor Board (consenso multiagente y topología de sospecha tumoral).

2. Pathology Flight (PF): Del diagnóstico estático al aprendizaje por demostración (Learning from Demonstration)

Todo acto anatomopatológico en pantalla constituye una trayectoria continua en un espacio cuatridimensional: posición espacial (x, y), coordenada de resolución focal/magnificación (z) y dimensión temporal (t).

2.1. Formalización de la cinemática de navegación diagnóstica

Pathology Flight (PF) opera como una caja negra de telemetría de alta resolución sobre el visor de WSI de TissueOS. Mientras el especialista analiza una lámina rutinaria o compleja, el sistema digitaliza no solo la conclusión final, sino el proceso epistemológico subyacente:

• Coordenadas microscópicas instantáneas (x, y, t).

• Vector de magnificación continua (desde la visión panorámica a 1.25x–2.5x hasta campos de inmersión morfológica a 20x–40x).

• Tiempos de permanencia (dwell time) y desaceleración del cursor sobre regiones críticas.

• Bucles de retorno y reevaluación comparativa entre áreas distantes de la misma biopsia.

Figura 2. Extracción de conocimiento tácito mediante Pathology Flight. La captura sincrónica de eventos de interacción permite destilar mapas de atención activa, trayectorias espaciales, zonas de descarte y patrones de ponderación diagnóstica.

Esta información se serializa de manera determinista en esquemas de datos estructurados (archivos JSON vinculados al identificador único de la WSI y su diagnóstico histopatológico estandarizado). Con ello, se consolida de forma continua un repositorio multioncológico (mama, próstata, pulmón, sarcomas, linfomas, patología digestiva, tiroidea y ginecológica).

Figura 3. Pirámide multiescala procesada por Pathology Flight y su categorización nosológica para la conformación de datasets de comportamiento experto.

2.2. Hacia la encarnación robótica en el laboratorio (Cross-Embodiment)

El valor de registrar trayectorias espacio-temporales trasciende la optimización de algoritmos de software. Pathology Flight busca sentar las bases computacionales para la patología encarnada (embodied AI) y la robótica humanoide aplicada al diagnóstico.

La integración fluida de futuros sistemas robóticos en laboratorios asistenciales exigirá modelos de mundo que entiendan cómo los humanos manipulan herramientas físicas y digitales: desde la navegación háptica y visual en microscopía virtual, hasta la correlación con la selección física de bloques de parafina, corte en micrótomo y tinción. Al modelar la toma de decisiones como secuencias de acción-percepción, TissueOS entrena a la máquina en la gramática motriz y visual del especialista.

Figura 4. Horizonte de encarnación cruzada: vinculación de percepción visual, razonamiento activo y acción motriz en el laboratorio de patología del futuro.

3. Tumor Board: Arquitectura agéntica deliberativa y dialéctica

La segunda vertiente es el Tumor Board de TissueOS. En lugar de procesar una WSI con un modelo monolítico cerrado de inferencia directa, el sistema emula la dinámica de un comité de tumores multidisciplinario mediante una secuencia coordinada de seis agentes especializados. Cada uno de estos agentes asume un rol heurístico delimitado, interactuando sobre un entorno visual común a través de la torre de visión de un modelo multimodal de mundo, combinada con capacidades de razonamiento simbólico y estructuración discursiva.

Figura 5. Interfaz funcional del Tumor Board en TissueOS, desplegando el pipeline de consulta, la selección agéntica y el mapa de sospecha tisular generado de forma autónoma.

3.1. Roles y especialización funcional del pipeline

A continuación se detalla la partición funcional del protocolo deliberativo:

• OCO (Exploración Inicial / Triage de Escaneo): realiza una prospección panorámica de la preparación completa. Su misión es delimitar la celularidad global, la arquitectura macro y aislar parches candidatos de interés patológico potencial, reduciendo el espacio de búsqueda para las capas subsiguientes.

• XPRT (Análisis Especializado de Alta Resolución): interroga en detalle las regiones seleccionadas por OCO a máximo aumento óptico. Evalúa la atipia citonuclear (relación núcleo-citoplasma, pleomorfismo, cromatina, actividad mitótica), patrones arquitecturales invasivos y características del microambiente estromal inmediato.

• MAR (Integración y Análisis Multirregional): supera el sesgo de la evaluación local aislada. Conecta hallazgos distantes a lo largo del tejido, evaluando la heterogeneidad intratumoral, multifocalidad, bordes quirúrgicos y la relación cuantitativa entre el compartimento tumoral y el estroma peritumoral.

• REN (Revisión Crítica y Falsacionismo Epistemológico): constituye el componente adversario del sistema. Su objetivo explícito es contradecir la hipótesis prevalente, buscar diagnósticos diferenciales competitivos, señalar mimetismos histológicos (como proliferaciones reactivas o inflamatorias simuladoras de malignidad) e identificar posibles inconsistencias en las descripciones previas.

• NOSTRUM (Síntesis y Adjudicación Diagnóstica Ponderada): recibe el compendio de evidencias generadas por OCO, XPRT y MAR, junto a los reparos de REN. Estructura una distribución de probabilidad diferencial jerarquizada (por ejemplo: Carcinoma ductal infiltrante 65%, Carcinoma lobulillar 20%, Lesión benigna/reactiva 10%), con índices de confianza explicitados.

• POLUX (Reconstrucción Espacial y Síntesis Topológica): mapea hacia atrás el razonamiento discursivo sobre la geometría real de la WSI. Construye el mapa final continuo de sospecha (heatmap), donde cada vóxel o parche refleja la convergencia de la evidencia deliberada por todo el comité agéntico.

Figura 6. Topología del flujo deliberativo en Tumor Board: desde la adquisición sensorial hasta la consolidación de consenso y mapeo espacial.

Figura 7. Estructura dialéctica del comité: balance entre exploración exploratoria (OCO, XPRT), articulación integrativa (MAR), cuestionamiento epistemológico (REN) y adjudicación final (NOSTRUM, POLUX).

4. De la extracción de características al mapa de calor interpretativo

El mayor reto metodológico en sistemas multiagente sobre bioimágenes es preservar la trazabilidad espacial. Un modelo conversacional convencional pierde de vista las coordenadas precisas del tejido al traducir imágenes a texto. En TissueOS, cada afirmación, duda o confirmación emitida en el diálogo agéntico conserva un anclaje georreferenciado:

• Entrada visual: parches a resoluciones nativas seleccionados mediante muestreo guiado.

• Procesamiento de visión: extracción de morfometría, densidad celular, índices mitóticos y arquitectura de interfaz tejido-estroma.

• Salida cartográfica: el agente POLUX proyecta las evidencias validadas sobre la matriz de la lámina, asignando gradientes cromáticos en función del consenso. Las regiones con indicios débiles o refutadas por REN se desestiman o atenúan, mientras que las áreas confirmadas mediante escrutinio cruzado convergen hacia el espectro rojo de máxima sospecha.

Figura 8. Desglose analítico de las fases 1 y 2: extracción de características cuantitativas, segmentación estructural y generación de hipótesis primarias.

Figura 9. Fases 3 a 6 del flujo técnico: resolución de hipótesis contradictorias, adjudicación del diagnóstico diferencial y proyección en heatmap de sospecha tumoral.

5. Perspectivas: La exploración autónoma con modelos multimodales

Actualmente, el núcleo cognitivo de Tumor Board se apoya en modelos de mundo generalistas multimodales de código abierto. Esta decisión de diseño es deliberada: permite validar si las capacidades emergentes de razonamiento espacial, inferencia contextual y crítica dialéctica pueden operar sobre imágenes histológicas sin requerir previamente un sobreajuste ciego (overfitting) a distribuciones locales de laboratorio.

Nuestros resultados preliminares evidencian que el factor determinante no radica exclusivamente en el volumen de parámetros de la red, sino en la topología del flujo de razonamiento. Introducir agentes dedicados a la duda sistemática (como REN) reduce significativamente los falsos positivos derivados de artefactos de preparación, pliegues tisulares o mimetismos benignos.

La convergencia entre la captura cinemática de Pathology Flight y la deliberación activa de Tumor Board abre un nuevo horizonte para la patología digital: la transición desde herramientas auxiliares estáticas hacia verdaderos colegas algorítmicos capaces de ver, dudar, discutir y aprender en conjunto con el médico especialista.

Declaración de Propiedad Intelectual y Metodología

TissueOS, Pathology Flight y Tumor Board son desarrollos e investigaciones propiedad de AndricPath (andricpath.com). La arquitectura de coordinación de agentes, los esquemas de interacción inter-agéntica, los criterios matemáticos de muestreo espacial y los algoritmos de adjudicación corresponden a desarrollos experimentales y propiedad industrial protegida del autor. Las representaciones esquemáticas compartidas en esta publicación persiguen fines exclusivos de divulgación y validación científica de sus principios metodológicos.