IA de Harvard predice supervivencia al cáncer con una foto

El 52,5% de los 122 pacientes con cáncer que un modelo de inteligencia artificial clasificó en el grupo de mayor riesgo falleció en los 90 días posteriores a la fotografía. En el grupo de menor riesgo, apenas el 2% de 975 pacientes corrió la misma suerte. La diferencia sale de una sola imagen del rostro, y es la razón por la que cualquier founder que construya en salud debería leer este estudio con atención.

El trabajo lo lideró Mass General Brigham, la red hospitalaria afiliada a Harvard en Boston, y se publicó en The Lancet Digital Health. El sistema se llama FAHR-Face (Foundation Artificial Intelligence for Health Recognition) y parte de un modelo base entrenado con más de 40 millones de fotografías faciales.

¿Qué es FAHR-Face y por qué importa?

La arquitectura es lo interesante desde el punto de vista de producto. En lugar de entrenar un modelo por cada problema clínico, el equipo entrenó una representación general del rostro y después la adaptó a dos tareas distintas.

• FAHR-FaceAge: estima la edad biológica, es decir, qué edad aparenta el organismo más allá de la fecha de nacimiento.
• FAHR-FaceSurvival: predice directamente el riesgo de mortalidad en pacientes oncológicos.

"El avance técnico clave es que FAHR-Face aprende una representación general del rostro a partir de más de 40 millones de imágenes, que luego puede adaptarse a distintos desenlaces de salud", explicó Hugo Aerts, director del programa de Inteligencia Artificial en Medicina de Mass General Brigham, según recogió Medical Xpress. "Este enfoque de modelo fundacional nos da una forma escalable de desarrollar múltiples biomarcadores faciales en lugar de entrenar cada modelo desde cero".

El contexto clínico es concreto: los oncólogos necesitan estimar la fragilidad y la reserva física de un paciente antes de recomendar radioterapia, cirugía o terapia sistémica. Hoy esa evaluación depende del ojo del especialista. Un modelo que la vuelva cuantitativa y repetible tiene valor, aunque todavía no reemplace el criterio médico.

¿Qué tan preciso es el modelo de Mass General Brigham?

Los números del estudio son los que sostienen el titular. El modelo de supervivencia se entrenó con aproximadamente 34.000 fotografías de pacientes oncológicos tratados en seis centros médicos, con información sobre si cada paciente falleció y cuándo.

Después vino la parte que suele faltar en los anuncios de IA médica: la validación externa. El equipo probó el modelo en 3.820 pacientes cuyas fotos no se usaron en el entrenamiento y lo validó contra otros 4.892 pacientes con cáncer tratados en Maastricht, Países Bajos, según Ynetnews.

Los resultados del modelo de edad biológica también son medibles. Evaluó a más de 38.000 pacientes en tratamiento de radiación, en su mayoría oncológicos: cerca de un tercio aparentaba al menos cinco años más de su edad real, el 17% aparentaba al menos una década más y alrededor de una cuarta parte parecía al menos cinco años más joven. Entre quienes aparentaban más de 20 años por encima de su edad cronológica, el 21% falleció en 90 días, frente al 6,4% de los que aparentaban al menos diez años menos.

Cada década adicional de envejecimiento facial aparente se asoció con un 14% más de riesgo de mortalidad tras ajustar por otros factores. Y el modelo de edad acertó con un error promedio de 5,1 años cuando se probó contra una base pública de imágenes faciales, superando a un modelo anterior de los mismos investigadores.

¿Qué regiones del rostro mira la IA?

Los mapas de atención del estudio muestran que los dos modelos no miran lo mismo, y eso explica por qué sus predicciones apenas correlacionan entre sí.

• FAHR-FaceAge se concentra en los surcos nasolabiales, la frente justo por encima de las órbitas y las sienes.
• FAHR-FaceSurvival escudriña la zona bajo los ojos y el puente nasal.

El detalle que más llamó la atención de los investigadores es histórico. Esas regiones coinciden con la descripción que Hipócrates hizo alrededor del año 400 a.C. del rostro de un paciente que se aproximaba a la muerte: nariz afilada, ojos hundidos, sienes huecas. El algoritmo redescubrió esa observación sin haber leído un solo texto médico.

También probaron si el sistema se deja engañar por la apariencia. Cambios de iluminación, ángulo, expresión y maquillaje tuvieron poco efecto. Las cirugías estéticas tampoco lo movieron, con una excepción: tras una rinoplastia, el algoritmo calculó aproximadamente un año más de edad.

¿Qué límites reconoce la propia investigación?

Aquí está la parte que un founder no puede saltear. Los propios autores y varios expertos independientes piden cautela, y sus objeciones son las que definen el estado real de la tecnología.

• Los datos son retrospectivos. Todavía no hay ensayos clínicos prospectivos que demuestren que usar esta IA mejore las decisiones médicas o alargue la supervivencia real de los pacientes.
• El sesgo demográfico es un problema abierto. Alrededor del 85% de los pacientes en la población de prueba del modelo de supervivencia eran blancos, y el modelo de edad discriminó mejor entre pacientes blancos y asiáticos que entre negros e hispanos, según Ynetnews.
• No está claro qué mide. La profesora Suchi Saria, de Johns Hopkins, señaló que entender los cambios fisiológicos subyacentes es esencial para saber si la tecnología encontró un biomarcador nuevo o solo mide señales que los médicos ya reconocen.
• Predecir no es explicar. El profesor Miroslav Bober, de la Universidad de Surrey, recordó que el algoritmo estima la edad a partir de la apariencia facial, no mide directamente procesos de envejecimiento biológico.

Mass General Brigham ya presentó una solicitud provisional de patente en Estados Unidos sobre la próxima generación de sus algoritmos. Y el equipo abrió un estudio público, aprobado por su comité de ética, donde cualquier persona puede subir una foto y recibir su estimación de FaceAge en el sitio faceage.bwh.harvard.edu. Vale aclarar el encuadre: eso es participación en una investigación, no un diagnóstico médico.

¿Qué significa esto para tu startup?

Aunque el protagonista sea un hospital universitario y no una startup, hay lecciones de producto que aplican directo a quien construye en HealthTech.

Primero, el modelo fundacional como estrategia. Entrenar una base una vez y adaptarla a múltiples desenlaces clínicos abarata cada producto nuevo. Si tu equipo está entrenando un modelo desde cero para cada caso de uso, estás pagando varias veces el mismo costo de cómputo y datos. La lógica de FAHR-Face —una representación general, varios biomarcadores encima— es replicable en cualquier vertical de salud con imágenes.

Segundo, la validación externa es tu activo comercial. El equipo no se conformó con validar en su propio hospital: llevó el modelo a una cohorte independiente en Países Bajos. Si vendes IA clínica a hospitales o aseguradoras, la pregunta que vas a recibir es exactamente esa. Construir el dataset de validación externa desde el día uno, y no como un agregado posterior, te ahorra meses en la mesa de negociación.

Tercero, la diversidad de datos define tu mercado. Un modelo entrenado mayoritariamente con pacientes blancos de centros de países ricos no se puede vender igual en LATAM o España sin trabajo adicional. Si tu producto va a operar en la región, la composición demográfica de tu dataset no es un detalle de compliance: es el límite de tu dirección comercial.

Cuarto, el sensor más barato gana en distribución. Una cámara de smartphone o una webcam es una de las formas más económicas de capturar información de salud. Eso abre la puerta a tamizaje masivo, pero también a usos de vigilancia que ya generan preocupación. Definir desde el inicio qué no vas a hacer con los datos de tus usuarios es parte del producto, no de la comunicación.

Conclusión

FAHR-Face demuestra algo que hasta ahora era intuición clínica: el rostro contiene información medible sobre el estado general de un paciente oncológico. La validación externa en casi 5.000 pacientes y la robustez frente a maquillaje, iluminación y cirugía le dan credibilidad estadística al hallazgo.

Lo que todavía no está demostrado es lo más importante para el negocio: que usar estas predicciones mejore el tratamiento y la supervivencia. Mientras eso no ocurra en un ensayo prospectivo, el posicionamiento correcto es el que eligieron los propios investigadores —una herramienta de apoyo a la decisión clínica, no un diagnóstico—. Para un founder de HealthTech, esa distinción no es un matiz regulatorio: es la diferencia entre un producto vendible y un problema legal.

Fuentes

• Xataka: Una simple foto del rostro puede dar pistas sobre la supervivencia de un paciente con cáncer
• Ynetnews: AI analyzes a single photo to predict cancer patients' risk of death
• Medical Xpress: AI facial health recognition tools help physicians assess age and survival risk
• La Vanguardia: Un nuevo modelo de IA predice el riesgo de muerte de pacientes con cáncer a partir de una fotografía del rostro
• ConSalud: Una simple fotografía del rostro permite a una IA predecir la supervivencia de pacientes con cáncer
• Infobae: Científicos diseñaron una IA que ayuda a definir tratamientos personalizados contra el cáncer a partir de una foto del rostro
• Notebookcheck: A selfie as a health check? AI detects health risks and biological age from a facial photo