Durante décadas, la investigación oncológica avanzó a un ritmo determinado por la capacidad humana de procesar datos: ensayos clínicos que tardan años, análisis de biopsias que dependen del ojo experto de un patólogo, y candidatos a fármacos que se descartan después de costosas pruebas fallidas. En 2026, ese ritmo está cambiando de manera medible, y la inteligencia artificial es la principal razón.
Del dato al descubrimiento: qué hace la IA en oncología
La expresión "del dato al descubrimiento" resume bien el papel actual de la IA en el cáncer. Los modelos de aprendizaje profundo pueden procesar en horas lo que a un equipo humano le llevaría meses: imágenes de tomografías, secuencias genómicas, registros de historiales clínicos y resultados de laboratorio. El objetivo no es reemplazar al oncólogo, sino darle una capa de análisis que él solo no podría alcanzar.
Un ejemplo concreto: el sistema Paige Prostate, aprobado por la FDA estadounidense, analiza biopsias de próstata con una precisión diagnóstica que supera a los patólogos generales en la detección de cáncer de grado bajo. No lo hace porque sea más inteligente, sino porque ha procesado millones de imágenes histológicas y ha aprendido a identificar patrones sutiles que el ojo humano pasa por alto bajo presión de tiempo.
En el terreno genómico, herramientas como AlphaFold de DeepMind han revolucionado la comprensión de las proteínas que alimentan tumores. Conocer la estructura tridimensional de una proteína oncogénica permite diseñar moléculas que la bloqueen con una precisión antes impensable. Varios candidatos a fármacos oncológicos actualmente en ensayos clínicos fase II nacieron directamente de predicciones estructurales generadas por IA.
Diagnóstico temprano: el campo donde la IA ya salva vidas
Si hay un área donde el impacto clínico es más inmediato, es el diagnóstico temprano. La detección precoz del cáncer es el factor individual que más influye en la supervivencia, y aquí los modelos de visión por computadora han demostrado resultados sólidos en estudios poblacionales reales, no solo en laboratorio.
Google Health publicó en Nature resultados de su modelo de detección de cáncer de mama en mamografías: redujo los falsos negativos en un 9,4% y los falsos positivos en un 5,7% respecto a los radiólogos humanos en un estudio con más de 25.000 mujeres en Reino Unido y Estados Unidos. Estos porcentajes, aparentemente modestos, se traducen en miles de diagnósticos correctos adicionales cada año a escala nacional.
El cáncer de pulmón es otro caso destacado. Modelos entrenados sobre datos del National Lung Screening Trial pueden identificar nódulos pulmonares malignos en tomografías de baja dosis con una sensibilidad del 94%, reduciendo además la tasa de derivaciones innecesarias que saturan los sistemas de salud.
Los límites que la IA aún no ha superado
Sería un error presentar este panorama sin sus fricciones. Los modelos de IA en oncología heredan los sesgos de los datos con los que se entrenan. La mayoría de los grandes conjuntos de datos provienen de hospitales en Estados Unidos o Europa occidental, lo que significa que su rendimiento puede degradarse significativamente en poblaciones con diferentes frecuencias genéticas o acceso distinto a tipos de tratamiento.
Existe también el problema de la explicabilidad. Un oncólogo necesita entender por qué un modelo señala un tejido como maligno para poder actuar con responsabilidad clínica. Los modelos de caja negra, por muy precisos que sean, generan resistencia justificada entre los profesionales médicos. La investigación en IA interpretable —explainable AI— es hoy una prioridad en la intersección entre tecnología y medicina.
Finalmente, la integración en flujos de trabajo hospitalarios reales sigue siendo un cuello de botella. Los sistemas de historia clínica electrónica raramente están diseñados para dialogar con herramientas de IA de terceros, y los procesos de validación regulatoria son lentos por razones legítimas de seguridad del paciente.
El camino por delante
A pesar de esas fricciones, la trayectoria es clara. Iniciativas como el Cancer Moonshot de la administración estadounidense y el programa europeo Horizon Europe están financiando específicamente la convergencia entre IA y oncología. Empresas como Tempus, Guardant Health y Foundation Medicine están construyendo infraestructuras de datos clínicos y genómicos que serán el combustible de los modelos de próxima generación.
Lo más relevante para el paciente de 2026 no es el modelo más sofisticado en un servidor de Stanford, sino la velocidad a la que esas capacidades llegan a la consulta del oncólogo en un hospital de tamaño mediano. Ese es el verdadero reto de implementación, y es tan técnico como político y económico.
La IA no va a curar el cáncer. Pero está acortando el tiempo entre el dato y el descubrimiento, y en oncología, el tiempo lo es todo.
