Tecnología médica·Estudio en PLOS Neglected Tropical Diseases
Una IA reconoce el parásito del Chagas en fotos de sangre de ratones al microscopio
Una inteligencia artificial alcanzó un 89,5 % de aciertos al clasificar imágenes de sangre de ratones infectados en laboratorio, fotografiadas con un celular a través de un microscopio. Es el resultado del mejor de cinco entrenamientos y todavía falta probar el sistema con muestras humanas y en otros laboratorios.
Para una persona que necesita saber si tiene Chagas, contar con un microscopio cerca no resuelve todo: también hace falta alguien capaz de reconocer el parásito en la sangre. Esa dificultad motivó un estudio que combina fotografías tomadas con un celular e inteligencia artificial. El programa aprendió a distinguir imágenes con señales del parásito y, al discrepar con las etiquetas originales, ayudó a encontrar errores en ellas. El avance tiene una frontera clara: se probó con fotografías de sangre de ratones infectados en laboratorio.
Qué hicieron
El equipo encabezado por Christopher Lee, de la Universidad de Carolina del Sur, con participación de la Universidad de Clemson, publicó el trabajo el 17 de noviembre de 2026 en PLOS Neglected Tropical Diseases. Es un artículo revisado por pares; la revista lo presenta todavía como una versión sin corregir. Los investigadores analizaron un archivo público de imágenes ya existente. No incorporaron pacientes ni hicieron seguimiento de su salud.
El material reunía 33 láminas de sangre y 704 campos microscópicos, es decir, distintas porciones observadas a través del microscopio. Procedía de ratones infectados experimentalmente con Trypanosoma cruzi, el parásito que causa el Chagas, en la Universidad Federal de Ouro Preto, Brasil. Las muestras correspondían a la fase aguda de la infección y habían sido teñidas para hacer visibles sus estructuras.
Como el archivo no incluía láminas de sangre sin parásitos, dividieron cada campo en cuatro partes. Así obtuvieron recortes etiquetados con presencia o ausencia del parásito, según las marcas originales. Separaron imágenes para enseñar al programa, ajustar su funcionamiento y evaluarlo después. El conjunto final de prueba contenía 420 imágenes. La tarea era decidir si cada recorte contenía un parásito; no contar todos los parásitos ni determinar si un animal estaba infectado.
La IA combinaba detalles pequeños con información más amplia de la imagen para reconocer formas. Los autores repitieron el entrenamiento cinco veces, cambiando las condiciones aleatorias de inicio. Tanto el entrenamiento como la evaluación se hicieron en una computadora con una tarjeta gráfica potente. El celular había servido para fotografiar las muestras a través del microscopio; el estudio no midió el funcionamiento del programa instalado en un teléfono.
Qué encontraron
El mejor de esos entrenamientos alcanzó un 89,5 % de exactitud en las imágenes de prueba. Esa cifra reúne los aciertos al reconocer recortes con parásitos y al descartar aquellos etiquetados sin ellos. Entre las 279 imágenes marcadas como positivas, identificó correctamente 246 y dejó pasar 33. Entre las 141 marcadas como negativas, acertó en 130 y señaló presencia del parásito en 11. Son resultados frente a las etiquetas del archivo, que después fueron revisadas parcialmente.
Para resumir los cinco entrenamientos, los autores destacaron otra medida: un AUC medio de 0,934. Este indicador evalúa qué tan bien el sistema separa las imágenes positivas de las negativas al variar el punto a partir del cual decide marcar una imagen. No es un porcentaje de diagnósticos correctos. Incluirlo permite distinguir el rendimiento promedio de la serie del resultado más favorable elegido para el análisis detallado.
Las discrepancias también dieron información sobre el archivo. Tres epidemiólogos del propio equipo, que no habían desarrollado el modelo, revisaron imágenes sin conocer la respuesta de la IA ni la etiqueta original. Su consenso respaldó al programa en 6 de los 11 aparentes falsos positivos y en 3 de los 33 aparentes falsos negativos. Esto sugiere que una IA puede ayudar a localizar imágenes que merecen una segunda revisión humana, además de clasificarlas.
Lo que el estudio no dice
El resultado no demuestra que se pueda diagnosticar Chagas con una foto tomada en casa. Se necesitan muestras preparadas, un microscopio y evaluación profesional. Tampoco permite trasladar el porcentaje de aciertos a pacientes: las imágenes procedían de animales, de un mismo laboratorio, de un mismo teléfono y de una misma variante del parásito. El equipo reconoce que hace falta comprobar el rendimiento con muestras de otros lugares y equipos.
Incluso la separación entre imágenes de entrenamiento y prueba tiene una salvedad. Los autores respetaron la división del archivo original, pensada para mantener láminas distintas en cada grupo, pero los datos disponibles no incluyen identificadores que permitan comprobarla directamente. Además, la revisión humana usó un criterio más amplio para reconocer fragmentos del parásito. Corregir algunas etiquetas no equivale a tener un archivo completamente depurado ni una validación externa.
El trabajo tampoco valida una prueba para el Chagas crónico. Como explica la Organización Mundial de la Salud, en esa fase los parásitos permanecen principalmente en tejidos, como la musculatura cardiaca y digestiva. Los autores orientan esta posible herramienta hacia situaciones de infección aguda, cuando pueden verse parásitos circulando en sangre. No encontrar uno en una imagen no permite descartar la enfermedad en una persona.
Los autores declararon no tener conflictos de interés. El financiamiento provino de la Universidad de Carolina del Sur y de organismos públicos estadounidenses de investigación, sin participación de los financiadores en el diseño, el análisis o la decisión de publicar.
Para Perú y América Latina, donde el Chagas sigue siendo un problema de salud, la posibilidad de apoyar a quienes revisan muestras merece investigación. Hoy el estudio aporta una prueba inicial y una forma de detectar etiquetas dudosas. Para convertirse en una herramienta asistencial tendrá que demostrar que funciona con muestras humanas nuevas y en condiciones reales. Las dudas sobre una posible infección siguen correspondiendo a un profesional de la salud.
Fuentes y estudios
Los documentos de donde sale esta nota. Ábrelos y compara.
-
01
Abrir
PLOS Neglected Tropical DiseasesEstudio
A feature pyramid classifier for Trypanosoma cruzi in smartphone blood smear microscopy
Fuente principal: análisis de imágenes de sangre de ratones, resultados por imagen, revisión de etiquetas, límites y financiamiento. Artículo revisado por pares, presentado como versión sin corregir; fecha corroborada en Crossref.
-
02
Abrir
Organización Mundial de la SaludDocumento oficial
Enfermedad de Chagas (tripanosomiasis americana)
Ficha de contexto sobre la distribución latinoamericana y las fases aguda y crónica. No es la novedad que motiva esta nota.
Enlaces comprobados al publicar la nota. Si alguno deja de funcionar, avísanos.