Un modelo de inteligencia artificial basado en aprendizaje profundo alcanzó una exactitud del 90 % al analizar imágenes de tinciones de Gram para identificar patrones asociados con Trichomonas vaginalis, el parásito causante de la tricomoniasis. El estudio retrospectivo, realizado en el Hospital Universitario Príncipe de Asturias, en España, comparó las predicciones del sistema con los resultados de una prueba molecular utilizada como referencia.
Aunque las pruebas de amplificación de ácidos nucleicos (NAAT) permiten detectar la infección con alta sensibilidad, su disponibilidad puede verse limitada por los costos y los recursos de laboratorio. La tinción de Gram, en cambio, es una técnica habitual y económica, pero no se utiliza convencionalmente para identificar este parásito. Los investigadores evaluaron si la inteligencia artificial podía reconocer patrones microscópicos que resultan difíciles de distinguir mediante la observación tradicional.
El modelo, desarrollado con la arquitectura EfficientNetV2-XL, se evaluó en un conjunto independiente de 380 imágenes. Además de la exactitud del 90 %, obtuvo un área bajo la curva ROC (AUC) de 0,973, una medida de su capacidad para discriminar entre imágenes positivas y negativas. Según las métricas reportadas, alcanzó una sensibilidad del 92,7 % y una especificidad del 86,8 %; registró 15 falsos negativos y 23 falsos positivos.
Estos resultados apuntan a un posible uso como herramienta de apoyo para priorizar muestras y orientar la revisión del personal de laboratorio, especialmente en entornos con acceso limitado a pruebas moleculares. Sin embargo, el sistema clasifica imágenes para detectar específicamente T. vaginalis: no identifica otros patógenos ni descarta coinfecciones, por lo que no sustituye las pruebas moleculares multiplex ni confirma por sí solo un diagnóstico clínico.
Los autores advierten que el estudio tiene limitaciones importantes: fue retrospectivo y se realizó en un solo centro, sin validación prospectiva en otros laboratorios. Además, algunas imágenes podrían proceder de una misma paciente, muestra o laminilla y aparecer en distintos grupos de evaluación, lo que podría introducir sesgos en el rendimiento estimado. También será necesario comprobar cómo responde el modelo ante variaciones en la tinción, los equipos y la calidad de las imágenes.
En conjunto, el estudio demuestra la viabilidad técnica de aplicar inteligencia artificial a una técnica microscópica ampliamente disponible. Antes de considerar su implementación clínica, se requieren estudios multicéntricos y prospectivos que confirmen su reproducibilidad y determinen si mejora el proceso diagnóstico en condiciones reales.
Fuente original aquí
