---

Dr. Marco V. Benavides Sánchez. Medmultilingua.com

La inteligencia artificial (IA) promete transformar el diagnóstico médico, especialmente en áreas como la oncología, donde el análisis de imágenes histopatológicas ya es rival para la experiencia humana. Sin embargo, bajo esa promesa se esconde un problema silencioso pero crítico: los algoritmos pueden estar aprendiendo a reconocer hospitales, no enfermedades.

Un reciente artículo publicado en Artificial Intelligence in Medicine aborda de frente este desafío, conocido como sesgo por centro de datos, y propone una solución innovadora basada en el concepto de desaprendizaje (unlearning).

El problema: precisión engañosa

En muchos estudios de deep learning médico, los modelos se entrenan con datos procedentes de hospitales o laboratorios específicos. A primera vista, los resultados son espectaculares: altas tasas de precisión y sensibilidad. El problema aparece cuando esos mismos modelos se prueban en centros nuevos.

¿Por qué fallan?

Porque, sin que los desarrolladores lo noten, la IA aprende patrones irrelevantes:

• el tipo de escáner,
• el protocolo de adquisición,
• la coloración de las muestras,
• el ruido propio del equipo,
• o incluso el estilo visual de un laboratorio concreto.

El resultado es un modelo que no reconoce el cáncer en sí, sino el “sello” del centro donde se generaron los datos. Funciona muy bien “en casa”, pero pierde fiabilidad en el mundo real. En medicina, esto no es un simple error estadístico: es un riesgo clínico.

Una idea clave: enseñar a la IA a olvidar

El artículo propone una solución poco convencional: hacer que el modelo desaprenda activamente la información que no debería usar. Este proceso, denominado transfer bias unlearning, no intenta añadir más datos ni equilibrar los existentes, sino eliminar las huellas del centro incrustadas en las características aprendidas.

Para lograrlo, los autores introducen una capa de unlearning que actúa como filtro entre las características extraídas por el deep learning y la clasificación final. Su función es sencilla en concepto, pero poderosa en efecto: conservar la información relevante para el cáncer y descartar la asociada al centro de origen.

Optimizar sin conflictos

Eliminar el sesgo no es tan simple como borrar información. Hay objetivos que compiten entre sí:

• maximizar la precisión diagnóstica,
• minimizar la dependencia del centro,
• reducir la complejidad del modelo.

Para resolver este conflicto, los investigadores utilizan NSGA-II, un algoritmo evolutivo de optimización multiobjetivo. A diferencia de los métodos tradicionales, este enfoque busca soluciones que equilibren todos los objetivos sin que uno domine a los demás, evitando así lo que los autores llaman “conflictos de interés” en el entrenamiento.

El método también reduce deliberadamente la dimensionalidad de las características, limitando la capacidad del modelo para apoyarse en señales que carecen de importancia, y modifica el uso de KNN para excluir muestras que podrían reforzar el sesgo.

Resultados que importan

Los resultados son claros y clínicamente relevantes:

• Se reduce de forma significativa la brecha entre rendimiento interno y externo.
• El modelo mejora su precisión en centros nunca vistos durante el entrenamiento.
• Supera a enfoques adversariales y multitarea usados hasta ahora para mitigar sesgos.
• Demuestra robustez mediante validación cruzada entre múltiples centros.

Un aspecto especialmente importante es que el método es agnóstico al modelo: puede aplicarse a cualquier sistema que utilice características extraídas por deep learning, lo que facilita su adopción en entornos reales.

Más allá del cáncer

Aunque el estudio se centra en imágenes histopatológicas de cáncer, donde el sesgo de centro es particularmente fuerte, sus implicaciones van mucho más allá. Radiología, dermatología, oftalmología y patología digital enfrentan el mismo problema.

El mensaje de fondo es contundente: una IA médica no es fiable si no generaliza. Y para generalizar, a veces no hay que enseñar más, sino enseñar a olvidar.

En un momento en que la inteligencia artificial empieza a cruzar la frontera del laboratorio hacia la práctica clínica, este trabajo recuerda algo esencial: en medicina, no basta con que un algoritmo sea preciso; debe ser justo, robusto y verdaderamente clínico.

Referencia

Kheiri, F., Rahnamayan, S., & Makrehchi, M. (2026). Mitigating data center bias in cancer classification: Transfer bias unlearning and feature size reduction via conflict-of-interest free multi-objective optimization. Artificial Intelligence in Medicine, 103351. https://doi.org/10.1016/j.artmed.2026.103351

#ArtificialIntelligence #Medicine #Surgery #Medmultilingua