Un año de avances reales contra el cáncer ¿Es este el camino que la tecnología debería seguir?
La otra cara de la inteligencia artificial
La tesis de fondo es sencilla: si queremos saber para qué sirve de verdad la inteligencia artificial, no hay mejor lugar donde mirar que aquí. Cuando hoy se habla de inteligencia artificial, la conversación pública suele derivar enseguida hacia los chatbots que escriben redacciones, las imágenes falsas que engañan a medio mundo o el miedo a que las máquinas se queden con nuestros empleos. Es una conversación legítima, pero deja en la sombra algo mucho más importante que está ocurriendo, en silencio, en los hospitales y los laboratorios: la IA se ha convertido probablemente en una de las herramientas más poderosas que la medicina ha tenido jamás para combatir el cáncer
No se trata de promesas de un vulgar folleto de publicidad ni de titulares exagerados en las redes sociales. En los últimos meses —con un goteo de publicaciones que culmina en 2025 y 2026 en las revistas científicas más exigentes del mundo, como The Lancet, Nature y Nature Medicine— se han acumulado pruebas sólidas de que los algoritmos están ayudando a detectar tumores antes, a leer biopsias mejor, a descifrar el ADN del cáncer, a diseñar fármacos más rápido y a acertar más con cada tratamiento.
Este artículo recorre esos avances. Y lo hace con una regla estricta: solo ciencia verificable. Cada cifra y cada afirmación que sigue procede de un estudio publicado y revisado por pares (o, cuando es un preprint todavía no revisado, se advierte expresamente). Al final encontrará la bibliografía completa en formato APA, con su DOI, para que cualquiera pueda comprobarlo por sí mismo. Nada de bulos. Solo lo que la ciencia ha demostrado.
1. Ver el cáncer antes y mejor: la IA en el cribado por imagen
Empecemos por donde la evidencia es más contundente: la mamografía, la prueba con la que se rastrea el cáncer de mama en mujeres sanas. Es uno de los programas de salud pública más extendidos del planeta y, a la vez, un trabajo agotador para los radiólogos, que deben revisar miles de imágenes en su mayoría normales para no dejar escapar el pequeño grupo que esconde un tumor incipiente.
Aquí la prueba reina es el ensayo MASAI, desarrollado en el sur de Suecia. No es un estudio observacional cualquiera, sino un ensayo clínico aleatorizado —el diseño de estudio que ofrece la evidencia más sólida en medicina—, en el que 80.033 mujeres de entre 40 y 80 años fueron asignadas al azar, entre abril de 2021 y julio de 2022, a uno de dos grupos: lectura de la mamografía asistida por inteligencia artificial, o la doble lectura estándar realizada por dos radiólogos sin IA (Lång et al., 2023).
Los resultados se han ido publicando por fases, y cada una refuerza la anterior:
En el análisis de seguridad provisional (Lång et al., 2023), el grupo con IA detectó 244 cánceres frente a los 203 del grupo estándar: aproximadamente un 20% más de tumores hallados. Y, quizá lo más revelador, lo consiguió reduciendo en un 44% la carga de lectura de los radiólogos (de 83.231 a 46.345 lecturas), sin aumentar las llamadas a revisión innecesarias.
En el análisis de rendimiento del cribado (Hernström et al., 2025), la tasa de detección fue de 6,4 cánceres por cada 1.000 mujeres con IA frente a 5,0 sin ella —alrededor de un 28% más—, y, de nuevo, sin un incremento significativo de falsos positivos (la razón de rellamada fue de 1,01; p = 0,92).
Finalmente, en el análisis definitivo publicado en The Lancet (Gommers et al., 2026), la lectura asistida por IA mostró una sensibilidad del 80,5% frente al 73,8% de la doble lectura clásica, y una menor tasa de cánceres de intervalo (los que aparecen entre dos cribados, que suelen ser los más agresivos): 1,55 frente a 1,76 por cada 1.000.
Traducido del lenguaje técnico: la IA permitió que un radiólogo apoyado por el algoritmo encontrara más cánceres que dos radiólogos sin él, y con mucho menos trabajo de lectura. En un mundo con escasez crónica de radiólogos, ese margen dista de ser anecdótico, pues puede determinar que un programa de cribado se mantenga en pie o termine derrumbándose.
¿Y funciona también fuera del entorno controlado de un ensayo? Esa es la pregunta del millón, y la respuesta llegó con el estudio PRAIM, una implementación real —no aleatorizada, sino prospectiva y a escala poblacional— dentro del programa de cribado organizado de Alemania (Eisemann et al., 2025). Se analizaron más de 460.000 mujeres, 260.739 de ellas con apoyo de IA, leídas por 119 radiólogos en 12 centros. La tasa de detección de cáncer de mama fue de 6,7 por cada 1.000 con IA frente a 5,7 sin ella: un 17,6% más (intervalo de confianza del 95%: +5,7% a +30,8%).
Dos estudios independientes, en dos países, con dos diseños distintos —uno aleatorizado y otro en la práctica real— apuntando en la misma dirección. Eso, en ciencia, es lo más parecido a una certeza que existe.
2. La mirada aumentada del patólogo: modelos fundacionales en patología digital
Generando un paralelismo legal, si bien la imagen podemos considerar que es la primera línea de investigación, la patología es el tribunal donde se dicta la sentencia. El diagnóstico definitivo de la mayoría de los cánceres depende de que un patólogo examine al microscopio una biopsia teñida (la clásica tinción de hematoxilina y eosina, o «H&E»). Es un trabajo de enorme precisión, lento y con una demanda que crece más deprisa que el número de especialistas.
Aquí se está produciendo la transformación más profunda, gracias a una idea importada del mundo de los grandes modelos de lenguaje: los modelos fundacionales. En lugar de entrenar un algoritmo estrecho para una única tarea, se entrena un modelo gigantesco con cantidades colosales de imágenes para que «aprenda» el lenguaje visual de los tejidos; después, ese mismo modelo puede adaptarse a docenas de tareas distintas. En el último par de años han aparecido varios, todos publicados en revistas de primer nivel:
- CHIEF (Wang et al., 2024), publicado en Nature, fue entrenado con 60.530 imágenes histológicas completas de 19 zonas anatómicas, tras un preentrenamiento sobre 44 terabytes de datos de imagen de alta resolución. Se validó después con 19.491 imágenes de 32 conjuntos independientes recogidos en 24 hospitales y cohortes de todo el mundo, y superó a los métodos previos de aprendizaje profundo hasta en un 36,1% en tareas como la detección de células cancerosas, la identificación del órgano de origen del tumor, la caracterización de su perfil molecular y la predicción del pronóstico.
- UNI (Chen et al., 2024), en Nature Medicine, se preentrenó con más de 100 millones de imágenes procedentes de más de 100.000 biopsias H&E que abarcaban 20 tipos de tejido, y demostró un rendimiento superior al de los modelos anteriores en 34 tareas distintas de patología computacional.
- Virchow (Vorontsov et al., 2024), también en Nature Medicine, fue presentado como el mayor modelo fundacional de patología de su momento. Sobre él se construyó un detector «pan-cáncer» capaz de alcanzar un área bajo la curva de 0,95 en 16 tipos de cáncer (nueve frecuentes y siete raros). El detalle clave: igualó con menos datos de entrenamiento a modelos especializados de grado clínico ya en uso, y a algunos los superó en variantes raras —precisamente esos tumores poco comunes para los que nunca hay suficientes ejemplos con los que entrenar sistemas a la antigua usanza.
A esta familia se suma PRISM (Shaikovski et al., 2024), un modelo generativo multimodal que combina las representaciones visuales de Virchow con el texto de los informes clínicos y es capaz de generar borradores de informes de patología. Conviene la honestidad: PRISM es por ahora un preprint, es decir, un trabajo aún no revisado por pares, y como tal debe tomarse con cautela. Pero ilustra hacia dónde va el campo: de la simple clasificación de imágenes a sistemas que «leen» la biopsia y empiezan a redactar lo que ven.
La importancia de todo esto va más allá de la velocidad. Estos modelos detectan en la imagen patrones sutiles —firmas moleculares, marcadores de pronóstico— que el ojo humano no puede ver, abriendo la puerta a extraer de una sola biopsia una información que hoy requiere costosas pruebas genéticas adicionales.
3. Leer el lenguaje de la vida: IA, genómica y el riesgo heredado
El cáncer es, en su raíz, una enfermedad del genoma. Y uno de los problemas más frustrantes de la medicina actual es lo que se conoce como variantes de significado incierto: cuando se secuencia el ADN de un paciente y se encuentra un cambio en un gen importante, pero nadie sabe si ese cambio concreto es peligroso o inofensivo. Para genes tan decisivos como BRCA1 —el del cáncer de mama y ovario hereditario, el famoso «gen Angelina Jolie»— esa incertidumbre puede angustiar a familias enteras y complicar decisiones tan serias como una cirugía preventiva.
Aquí entra Evo 2 (Brixi et al., 2026), un modelo fundacional del genoma publicado en Nature y entrenado para «entender» el lenguaje del ADN a una escala muy superior a la de cualquier intento previo. Entre sus capacidades demostradas está la de predecir el impacto funcional de variantes genéticas —incluidas variantes clínicamente relevantes de BRCA1— sin necesidad de entrenamiento específico para esa tarea (lo que en la jerga se llama predicción «zero-shot»). Dicho de otro modo: un modelo que aprendió las reglas generales de la biología molecular puede, ante una mutación nunca vista, estimar si rompe o no la función del gen.
No es un diagnóstico por sí solo, ni sustituye a la confirmación experimental. Pero es exactamente el tipo de herramienta que puede ayudar a reclasificar miles de esas variantes inciertas y, con ello, dar respuestas a personas que hoy viven en el limbo de un «no sabemos».
4. Diseñar fármacos a la velocidad del cálculo
Desarrollar un medicamento nuevo es uno de los procesos más caros, lentos y propensos al fracaso de toda la ciencia: más de una década y miles de millones de euros, con la mayoría de los candidatos cayendo por el camino. La inteligencia artificial está atacando ese cuello de botella desde el principio mismo de la cadena: el diseño molecular.
El hito fundacional aquí es AlphaFold 3 (Abramson et al., 2024), publicado en Nature por DeepMind. Sus predecesores ya habían resuelto el viejo problema de predecir cómo se pliega una proteína a partir de su secuencia. AlphaFold 3 da un paso más y predice la estructura conjunta de complejos biológicos completos: proteínas, ácidos nucleicos, moléculas pequeñas, iones y residuos modificados interactuando entre sí. Y, lo más relevante para la farmacología, alcanza una mayor precisión en las interacciones proteína-ligando que las herramientas de acoplamiento (docking) tradicionales como AutoDock Vina, según el banco de pruebas PoseBusters. Esto es la materia prima del diseño de fármacos basado en la estructura: si puedes predecir con fiabilidad cómo una molécula candidata se acopla a una proteína diana del tumor, puedes cribar virtualmente millones de candidatos antes de tocar un solo tubo de ensayo.
¿Y ha llegado ya algún fármaco diseñado por IA hasta los pacientes? Sí, y aquí conviene ser preciso para no caer en la exageración. El caso mejor documentado es el de rentosertib (Xu et al., 2025), un inhibidor de la proteína TNIK cuya estructura fue generada mediante IA generativa por la empresa Insilico Medicine, y que se ha convertido en uno de los primeros fármacos diseñados por inteligencia artificial en superar un ensayo clínico aleatorizado de fase 2a. Un matiz esencial, y que muchos titulares omiten: ese ensayo concreto no fue para un cáncer, sino para la fibrosis pulmonar idiopática, una grave enfermedad del pulmón. Lo citamos aquí no como un tratamiento oncológico —no lo es—, sino como la prueba de concepto de que la cadena completa «IA diseña la molécula y esta llega a un ensayo riguroso en humanos» ya es real. Y la diana elegida no es casual: TNIK participa en la vía de señalización Wnt, implicada también en tumores como el colorrectal, de modo que el mismo enfoque computacional que validó este fármaco se está dirigiendo ya hacia objetivos oncológicos.
La lección es clara: la IA no se ha inventado un medicamento de la nada, pero ha comprimido drásticamente la fase más lenta y artesanal del descubrimiento de fármacos, la del diseño y optimización de la molécula.
5. Tratar a la persona, no solo al tumor: medicina de precisión asequible
Detectar y diagnosticar el cáncer es media batalla; la otra mitad es elegir bien el tratamiento. La inmunoterapia con inhibidores de puntos de control inmunitario ha transformado en profundidad la oncología, pero arrastra un problema: funciona espectacularmente en algunos pacientes y nada en otros, y predecir quién responderá es difícil y caro. El biomarcador más usado, la «carga mutacional tumoral» (TMB), exige una costosa secuenciación genética que no está al alcance de todos los hospitales del mundo.
Frente a eso, el sistema SCORPIO (Yoo et al., 2025), publicado en Nature Medicine, propone algo casi subversivo por lo simple: predecir la eficacia de la inmunoterapia usando análisis de sangre rutinarios —el hemograma y el perfil metabólico básico que se hacen en cualquier ambulatorio— combinados con datos clínicos sencillos. Se entrenó con 1.628 pacientes del Memorial Sloan Kettering y se evaluó en un total de 9.745 pacientes tratados con inmunoterapia a lo largo de 21 tipos de cáncer.
Los resultados son notables: SCORPIO alcanzó un área bajo la curva en torno a 0,76 para predecir la supervivencia, frente al ~0,50 de la carga mutacional tumoral —es decir, predijo mucho mejor que el costoso estándar genético—. Y, lo más importante para confiar en él, se validó externamente en datos de 10 ensayos clínicos de fase 3 (4.447 pacientes) y en una cohorte del mundo real del sistema hospitalario Mount Sinai (1.159 pacientes). Que algo entrenado en un hospital siga funcionando con pacientes de ensayos internacionales y de otro sistema sanitario es la mejor señal de que el modelo capta biología real, y no peculiaridades de un único centro.
Lo más decisivo de SCORPIO no reside solo en su precisión, sino en su poder democratizador. Si una predicción útil puede salir de un análisis de sangre de pocos euros, la medicina de precisión deja de ser un lujo de hospitales ricos para volverse accesible en cualquier lugar del mundo. La IA, aquí, no encarece la medicina sino que optimiza los costes y proporciona una mayor seguridad diagnóstica, pronóstica y terapéutica.
6. Por qué esto es ciencia y no humo
Es tentador leer todo lo anterior con euforia. Conviene, en cambio, leerlo con el mismo rigor que lo hizo posible, porque es precisamente ese rigor lo que distingue estos avances del ruido habitual sobre la IA.
Fíjese en el patrón. El cribado mamográfico no se ha aprobado por una demo impresionante, sino por un ensayo aleatorizado de 80.000 mujeres y un estudio de implementación real de más de 460.000. Los modelos de patología no se anuncian con un pequeño grupo de casos elegidos, sino con validaciones externas en decenas de hospitales y miles de muestras. SCORPIO no se conformó con funcionar en su hospital de origen: se sometió a la prueba más dura, la de datos completamente ajenos. Ese es el método científico haciendo su trabajo: dudar, repetir, comprobar en otro sitio.
Y, por honestidad, hay que nombrar también los límites. Muchos de los modelos fundacionales de patología se han validado sobre todo de forma retrospectiva, con datos ya recogidos; todavía deben demostrar su valor en estudios prospectivos que midan si de verdad mejoran la vida de los pacientes. Persisten retos serios de sesgo (un modelo entrenado con poblaciones poco diversas puede fallar con otras), de regulación, de privacidad de los datos y de integración en el trabajo clínico real. Y, en casi todos estos sistemas, el diseño acertado mantiene a un profesional humano en el centro de la decisión: la IA propone, sugiere, prioriza; el médico decide. La herramienta no sustituye al juicio clínico, lo amplifica.
Que estos avances vengan acompañados de sus propias advertencias, lejos de ser una debilidad, constituye la mejor prueba de que estamos ante ciencia seria y no ante propaganda. La IA médica que merece la pena es, justamente, la que se deja someter al escrutinio.
7. El camino correcto: por qué esta inteligencia artificial merece cada céntimo
Llegamos así a la pregunta de fondo, la que de verdad importa. Se discute mucho —y con razón— sobre el coste de la inteligencia artificial: la energía que consume, las inversiones astronómicas, la incertidumbre sobre su impacto. Vivimos, además, tiempos difíciles, de crisis económicas encadenadas y de guerras que devoran recursos colosales en destruir vidas e infraestructuras. En ese contexto, cabe preguntarse si invertir ingentes sumas en computación e inteligencia artificial es un capricho que no podemos permitirnos.
La evidencia recogida en este artículo sugiere lo contrario, y con fuerza. Una inteligencia artificial es, al fin y al cabo, una herramienta: su valor moral no está en la máquina, sino en aquello a lo que la dirigimos. Apuntada hacia el cáncer, esa misma tecnología que en otros contextos genera desinformación o automatiza despidos hace cosas como estas: encuentra tumores que de otro modo se escaparían, aligera el trabajo de unos sanitarios desbordados, reclasifica mutaciones que angustian a familias enteras, acorta el diseño de medicamentos de años a meses y pone la medicina de precisión al alcance de un simple análisis de sangre.
Pocas inversiones imaginables ofrecen un retorno semejante. Un programa de cribado que detecta un 20-30% más de cánceres salva vidas y, a la larga, ahorra dinero, porque un tumor hallado pronto es incomparablemente más barato —y más curable— que uno avanzado. Un fármaco diseñado en una fracción del tiempo habitual es una enfermedad menos que espera. Un modelo que democratiza la oncología de precisión es justicia sanitaria para quien hoy no puede pagarla. Todo esto, además, es acumulativo y compartible: a diferencia de una bomba, que solo destruye una vez, un algoritmo validado puede replicarse y mejorar la atención en miles de hospitales a la vez, durante años, en cualquier país.
Esa es la cuestión clave. Frente a un panorama mundial que dedica cantidades inconcebibles de recursos a la guerra y a la destrucción, destinar una parte de nuestra capacidad tecnológica a curar es, sencillamente, una de las decisiones más sensatas, rentables y profundamente humanas que podemos tomar. Lejos de ser un gasto, es una de las mejores inversiones que cabe imaginar. La inteligencia artificial al servicio de la oncología no nos enfrenta a una elección entre tecnología y humanidad; nos demuestra que, bien orientada, la tecnología es una de las formas más altas de humanidad.
Conclusión
La inteligencia artificial no es, en sí misma, ni buena ni mala; actúa como un amplificador de las intenciones de quien la maneja. En las manos equivocadas perfecciona el engaño o la destrucción; pero los estudios que hemos repasado —todos reales, todos publicados, todos verificables— demuestran que, cuando se la orienta a curar, perfecciona también la curación. Acelera la investigación, amplifica el talento de los médicos, abarata lo que antes era inaccesible y nos regala el bien más escaso de todos frente al cáncer: tiempo.
Ese es el camino. No el de temer a la herramienta, sino el de empuñarla con sabiduría. La oncología nos está mostrando, con datos y no con eslóganes, qué aspecto tiene una inteligencia artificial verdaderamente provechosa para la humanidad. Ojalá tengamos la lucidez de seguir caminando en esa dirección.
Nota sobre las fuentes
Todas las afirmaciones cuantitativas de este artículo proceden de estudios revisados por pares y publicados en revistas científicas indexadas (The Lancet, The Lancet Oncology, The Lancet Digital Health, Nature y Nature Medicine), con la única excepción de PRISM, identificado expresamente como preprint (trabajo aún no revisado por pares). Cada referencia incluye su DOI para su comprobación directa.
Referencias
Abramson, J., Adler, J., Dunger, J., Evans, R., Green, T., Pritzel, A., et al. (2024). Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature, 630(8016), 493–500. https://doi.org/10.1038/s41586-024-07487-w
Brixi, G., Durrant, M. G., Ku, J., Naghipourfar, M., Poli, M., Sun, G., et al. (2026). Genome modelling and design across all domains of life with Evo 2. Nature, 652(8112), 1349–1361. https://doi.org/10.1038/s41586-026-10176-5
Chen, R. J., Ding, T., Lu, M. Y., Williamson, D. F. K., Jaume, G., Song, A. H., et al. (2024). Towards a general-purpose foundation model for computational pathology. Nature Medicine, 30(3), 850–862. https://doi.org/10.1038/s41591-024-02857-3
Eisemann, N., Bunk, S., Mukama, T., Baltus, H., Elsner, S. A., Gomille, T., et al. (2025). Nationwide real-world implementation of AI for cancer detection in population-based mammography screening. Nature Medicine, 31(3), 917–924. https://doi.org/10.1038/s41591-024-03408-6
Gommers, J., Hernström, V., Josefsson, V., Sartor, H., Schmidt, D., Hjelmgren, A., et al. (2026). Interval cancer, sensitivity, and specificity comparing AI-supported mammography screening with standard double reading without AI in the MASAI study: A randomised, controlled, non-inferiority, single-blinded, population-based, screening-accuracy trial. The Lancet, 407(10527), 505–514. https://doi.org/10.1016/S0140-6736(25)02464-X
Hernström, V., Josefsson, V., Sartor, H., Schmidt, D., Larsson, A.-M., Hofvind, S., et al. (2025). Screening performance and characteristics of breast cancer detected in the Mammography Screening with Artificial Intelligence trial (MASAI): A randomised, controlled, parallel-group, non-inferiority, single-blinded, screening accuracy study. The Lancet Digital Health, 7(3), e175–e183. https://doi.org/10.1016/S2589-7500(24)00267-X
Lång, K., Josefsson, V., Larsson, A.-M., Larsson, S., Högberg, C., Sartor, H., et al. (2023). Artificial intelligence-supported screen reading versus standard double reading in the Mammography Screening with Artificial Intelligence trial (MASAI): A clinical safety analysis of a randomised, controlled, non-inferiority, single-blinded, screening accuracy study. The Lancet Oncology, 24(8), 936–944. https://doi.org/10.1016/S1470-2045(23)00298-X
Shaikovski, G., Casson, A., Severson, K., Zimmermann, E., Wang, Y. K., Kunz, J. D., et al. (2024). PRISM: A multi-modal generative foundation model for slide-level histopathology [Preprint]. arXiv. https://arxiv.org/abs/2405.10254
Vorontsov, E., Bozkurt, A., Casson, A., Shaikovski, G., Zelechowski, M., Severson, K., et al. (2024). A foundation model for clinical-grade computational pathology and rare cancers detection. Nature Medicine, 30(10), 2924–2935. https://doi.org/10.1038/s41591-024-03141-0
Wang, X., Zhao, J., Marostica, E., Yuan, W., Jin, J., Zhang, J., et al. (2024). A pathology foundation model for cancer diagnosis and prognosis prediction. Nature, 634(8035), 970–978. https://doi.org/10.1038/s41586-024-07894-z
Xu, Z., Ren, F., Wang, P., Cao, J., Tan, C., Ma, D., et al. (2025). A generative AI-discovered TNIK inhibitor for idiopathic pulmonary fibrosis: A randomized phase 2a trial. Nature Medicine, 31(8), 2602–2610. https://doi.org/10.1038/s41591-025-03743-2
Yoo, S.-K., Fitzgerald, C. W., Cho, B. A., Fitzgerald, B. G., Han, C., Koh, E. S., et al. (2025). Prediction of checkpoint inhibitor immunotherapy efficacy for cancer using routine blood tests and clinical data. Nature Medicine, 31(3), 869–880. https://doi.org/10.1038/s41591-024-03398-5
Deja una respuesta