PATOLOGÍA DIGITAL

Autores:

Rafael Parra Medina, MD, MSc, PhD, miembro de Aipocrates, Co-creador Red GLORIA – Investigador principal. Docente Investigador Fundación Universitaria de Ciencias de la Salud (FUCS). Jefe del servicio de patología oncológica. Instituto Nacional de Cancerología (INC). Vicepresidente Asociación Colombiana de Patología (ASOCOLPAT)

Andrés Mosquera-Zamudio MD, PhD (c) Co-creador red GLORIA – Coordinador. Docente Fundación Universitaria Sanitas. Líder de Patología Computacional Laboratorio Keralty

La patología digital es un sistema basado en imágenes de láminas histopatológicas que permite adquirir, gestionar e interpretar información patológica. Su implementación tiene como objetivos mejorar la precisión de diagnósticos, las decisiones de tratamiento y la atención al paciente, optimizar la eficiencia operativa, aumentar la productividad y reducir los costos de laboratorio. Esta tecnología se ha vuelto esencial en la educación, la investigación, el desarrollo de fármacos y la práctica de la patología humana a nivel mundial.

Dentro de la patología digital se distinguen dos áreas principales: la telepatología y la patología computacional.

Telepatología

La telepatología forma parte de la telemedicina y utiliza tecnologías de información y comunicación como internet, videoconferencias y transferencia de imágenes. Se define como la práctica de la patología a distancia mediante la transmisión de imágenes histológicas o citológicas para su interpretación remota, consultas, evaluación de calidad externa, investigación y educación. Ha demostrado ser especialmente útil en áreas rurales y remotas, donde la disponibilidad de patólogos especializados es limitada.

Existen diferentes tipos de telepatología:

Estática: utiliza imágenes fijas sin control remoto y de baja calidad
Dinámica: permite adquirir imágenes de alta definición mediante escáneres digitales
Robótica: emplea robots para manipular los especímenes y capturar imágenes
WSI (Whole Slide Imaging) o microscopía virtual: escanea las láminas histológicas generando imágenes digitales de alta resolución
Sistemas híbridos: combinan diferentes técnicas

En los últimos años se ha observado un aumento en la adopción de la telepatología en diversos países. Estados Unidos, Canadá, Suecia, Noruega, Alemania, China, Japón y Australia son algunos de los que han experimentado un crecimiento significativo en la implementación de esta tecnología.

A nivel mundial se han establecido redes de telepatología que permiten la transmisión segura de imágenes y datos clínicos entre diferentes instituciones y especialistas, mediante el desarrollo de estándares y pautas que garantizan la calidad y seguridad en la práctica. Estas redes han facilitado la realización de teleconsultas, la revisión de casos difíciles y la colaboración en investigación médica.

Patología computacional

La patología computacional es la aplicación de técnicas como inteligencia artificial y análisis de datos para procesar, analizar e interpretar imágenes y datos histopatológicos. Utiliza grandes volúmenes de datos de pacientes (imágenes) para identificar patrones, extraer características y analizar información con el fin de diagnosticar enfermedades y apoyar decisiones clínicas.

El avance exponencial de la patología computacional en los últimos años, utilizando modelos de Machine Learning y Deep Learning, ha permitido mejorar la precisión diagnóstica a través de análisis de imágenes para:

Clasificación de tumores: determinar si son benignos o malignos, e incluso subclasificarlos por rasgos morfológicos en subtipos (acinar, papilar, micropapilar, etc.) y grados histopatológicos (bien, moderadamente o pobremente diferenciado)
Segmentación e identificación de regiones de interés: en imágenes de hematoxilina y eosina (mitosis, parénquima tumoral, etc.) y por inmunohistoquímica de biomarcadores con impacto terapéutico (HER-2, PD-L1, TROP2, entre otros)
Predicción de supervivencia o metástasis: y detección de alteraciones moleculares (EGFR, ALK, TP53, BRAF, MMR) con impacto clínico

Esto permitiría realizar tamizajes digitales: al realizar el estudio con patología digital, si el resultado es positivo según el algoritmo, se puede priorizar la muestra para una prueba molecular confirmatoria; si el resultado es negativo, se deben buscar otros métodos diagnósticos moleculares para identificar posibles biomarcadores alternativos.

Modelos multimodales

En los últimos años se han desarrollado modelos multimodales que integran imágenes histopatológicas, características clínicas y demográficas, y perfiles moleculares, con el objetivo de predecir la supervivencia, la progresión de la enfermedad y la respuesta a terapias dirigidas o inmunoterapia, superando el desempeño de los modelos unimodales. Además, han permitido identificar patrones morfológicos asociados a alteraciones genómicas específicas, lo que contribuye al descubrimiento de nuevos biomarcadores y a una estratificación más precisa de los pacientes. Gracias a esta integración, la patología computacional multimodal se perfila como una herramienta clave para avanzar hacia una medicina personalizada más equitativa y eficiente.

Desafíos actuales

El uso del aprendizaje automático e inteligencia artificial en la patología computacional está transformando la práctica clínica y permitiendo la integración del análisis de imágenes en el diagnóstico histopatológico. Sin embargo, existen desafíos importantes en su desarrollo e implementación: la inversión en infraestructura de tecnologías de la información, el manejo de archivos de gran tamaño, la obtención de conjuntos de datos anotados, la generalizabilidad de su implementación en el entorno clínico y la comprensión de los resultados obtenidos mediante aprendizaje profundo (explainable AI o IA explicable).

PROYECTO GLORIA

En América Latina, y particularmente en Colombia, la telepatología busca resolver un problema concreto: la dificultad que enfrentan los patólogos generales al manejar enfermedades complejas sin el apoyo de patólogos especialistas, por ejemplo, en patología oncológica. Es importante considerar que Colombia es un país con marcadas desigualdades geográficas y cuenta con muy pocos patólogos subespecialistas en ciudades pequeñas e intermedias. Se ha observado que la telepatología puede reducir los tiempos de oportunidad diagnóstica, mejorar la precisión y fortalecer tanto la formación como la educación continua de los profesionales.

La implementación de la patología digital enfrenta múltiples retos. El acceso a esta tecnología aún es limitado y, en la mayoría de los casos, su uso se ha restringido al ámbito de la investigación más que a la práctica clínica rutinaria.

El Proyecto GLORIA

Con el objetivo de disminuir las brechas en el diagnóstico nace el proyecto GLORIA (Globalization of a Telepathology Network with Artificial Intelligence Applications), que tiene como propósito:

Crear una red de telepatología en Colombia para reducir los tiempos de oportunidad diagnóstica en casos oncológicos de difícil interpretación
Desarrollar modelos de inteligencia artificial para el diagnóstico de diferentes neoplasias malignas

Este proyecto es liderado por la Fundación Universitaria de Ciencias de la Salud (FUCS) en colaboración con el Hospital de San José y el Instituto Nacional de Cancerología (INC). Actualmente cuenta con financiación del Ministerio de Ciencia, Tecnología e Innovación (Minciencias), código 500792092483.

Centros de Digitalización Satélite

El proyecto GLORIA inició con seis Centros de Digitalización Satélite (CDS) en diferentes ciudades del país: Pasto (Patólogos Asociados SAS), Armenia (Laboratorio Rita Páez), Pereira (Laboratorio López Correa), Montería (Instituto Médico de Alta Tecnología – IMAT), Cartagena (Laboratorio Cendipat) y Cúcuta (Laboratorio Clínica Medical Duarte). Recientemente se incorporó Barranquilla (Laboratorio Clínico Continental).

Para ello, el proyecto dispuso en los seis primeros CDS un escáner de imágenes histopatológicas de alto rendimiento (Ventana DP200, Roche). Es importante destacar que el proyecto no está restringido a los CDS: otros laboratorios de las mismas ciudades pueden utilizar los equipos sin costo alguno, siempre que se cuente con el consentimiento informado del paciente. De igual manera, laboratorios de patología digital con escáner propio pueden integrarse a la red como CDS, como fue el caso del Laboratorio Continental.

Resultados Preliminares

Actualmente se están recibiendo interconsultas de casos complejos en patología oncológica de estas ciudades. Durante el período comprendido entre octubre de 2024 y septiembre de 2025, el proyecto registró un total de 402 casos distribuidos entre las distintas sedes participantes, correspondientes a diversos tipos de tejido.

El tiempo promedio entre la solicitud de segunda opinión y la emisión del concepto por parte del patólogo especialista ha sido de 1 día, lo cual representa una mejora significativa en comparación con el método tradicional de interconsulta mediante envío físico de láminas, que puede tardar entre 10 y 20 días.

Proceso de Interconsulta

Cuando los patólogos de las regiones tienen un caso que requiere interconsulta, el proceso consiste en:

Obtener el consentimiento informado del paciente para la digitalización
Digitalizar las láminas histopatológicas
Enviar las imágenes a través de la red segura
Realizar el análisis por parte de un patólogo especialista en menos de dos días hábiles
Emitir el concepto como respuesta a la solicitud

Expansión y Perspectivas

El proyecto GLORIA está disponible para brindar interconsultas de casos oncológicos de alta complejidad en las diferentes regiones del país, contribuyendo así a reducir los tiempos de oportunidad diagnóstica. Recientemente, la Asociación Colombiana de Patología (ASOCOLPAT) y la Asociación Colombiana de Hematología y Oncología (ACHO) se han vinculado al proyecto, lo que fortalece su alcance y capacidad de impacto en la práctica clínica nacional.

Lecturas recomendadas de los autores

Globalization of a telepathology network with artificial intelligence applications in Colombia: The GLORIA program study protocol. J Pathol Inform . 2024
Deep learning in histopathology images for prediction of oncogenic driver molecular alterations in lung cancer: a systematic review and meta-analysis. Transl Lung Cancer Res. 2025 May 30;14(5):1756-1769.
A reflective analysis on the inequities in cancer diagnosis and treatment in Latin America: a call to action for public health. Int J Equity Health. 2025 Apr 28;24(1):113.
Detection of Helicobacter pylori Infection in Histopathological Gastric Biopsies Using Deep Learning Models. J Imaging . 2025 Jul 7;11(7):226.
Deep-Learning Approaches for Cervical Cytology Nuclei Segmentation in Whole Slide Images. J Imaging . 2025 Apr 29;11(5):137
Advantage of Z-stacking for teleconsultation between the USA and Colombia. Diagn Cytopathol. 2019 Jan;47(1):35-40.
Deep Learning for Skin Melanocytic Tumors in Whole-Slide Images: A Systematic Review. Cancers (Basel) . 2022 Dec 21;15(1):42.
A Spitzoid Tumor dataset with clinical metadata and Whole Slide Images for Deep Learning models. Sci Data. 2023 Oct 16;10(1):704.
Histological interpretation of spitzoid tumours: an extensive machine learning-based concordance analysis for improving decision making. Histopathology . 2024 Jul;85(1):155-170.
The puzzling Spitz tumours: is artificial intelligence the key to their understanding? Histopathology . 2025 Oct;87(4):489-502.