Mass General: IA predice cáncer con una foto del rostro

Una foto, dos predicciones: qué presentó Mass General Brigham

Investigadores de Mass General Brigham presentaron dos herramientas de IA que, a partir de una sola fotografía del rostro, estiman la edad biológica de una persona y el riesgo de muerte de pacientes con cáncer. El estudio se publicó en The Lancet Digital Health y lo recogen medios como The Guardian, The ASCO Post y pharmaphorum.

El problema que intentan resolver es cotidiano y difícil a la vez: si un paciente, sobre todo uno mayor, tiene reservas físicas suficientes para tolerar una radioterapia, una cirugía o un tratamiento sistémico intensivo. Los médicos ya hacen esa valoración a ojo. La apuesta del equipo es volverla más cuantitativa y consistente.

Qué son FAHR-FaceAge y FAHR-FaceSurvival y cómo funcionan

El punto de partida es un modelo base llamado FAHR-Face —Foundation Artificial Intelligence for Health Recognition, según bioengineer.org— entrenado con más de 40 millones de fotografías de rostros del conjunto de datos WebFace42M. Aprendió reconstruyendo imágenes parcialmente tapadas, una técnica conocida como autocodificadores enmascarados.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

Sobre esa base se ajustaron dos herramientas distintas:

FAHR-FaceAge se afinó con 10 bases de datos públicas y estima la edad biológica con un error en torno a cinco años.
FAHR-FaceSurvival se entrenó con 34.363 fotografías de pacientes con cáncer y predice directamente la supervivencia, sin pasar por la edad estimada.

Los modelos se probaron en cohortes independientes, entre ellas una de casi 5.000 pacientes tratados con radioterapia en los Países Bajos. La arquitectura es la clave técnica: en lugar de entrenar un algoritmo desde cero para cada tarea, el equipo reutiliza una representación general del rostro y la adapta a distintos desenlaces de salud. Hugo Aerts, coautor sénior y director del programa de IA en Medicina del hospital, lo describe como una vía escalable para desarrollar múltiples biomarcadores faciales.

Qué encontró el estudio en números

Los resultados son llamativos, pero conviene leerlos con precisión. Los pacientes que FAHR-FaceSurvival situó en el cuartil de mayor riesgo tuvieron una mortalidad significativamente más alta que los del cuartil de menor riesgo, con un cociente de riesgos ajustado de 3,23, según The ASCO Post.

En uno de los tests, 64 de los 122 pacientes con las puntuaciones de riesgo más altas murieron en un plazo de 90 días (52,5%), frente a alrededor del 2% de los 975 pacientes del grupo de menor riesgo, según el análisis recogido por Yahoo. Entre pacientes estadounidenses tratados con radioterapia, quienes parecían cinco o más años mayores que su edad real tuvieron un 21% más de riesgo de morir durante el seguimiento promedio de cuatro años; quienes parecían cinco o más años menores tuvieron un 17% menos.

El dato clave para los autores es que las dos herramientas apenas se correlacionan entre sí. Combinarlas mejoró el ajuste del modelo de supervivencia en una cohorte externa, lo que sugiere que la edad biológica y el riesgo de supervivencia aportan información complementaria y no redundante.

Qué miran los modelos en la cara (y por qué nadie sabe del todo)

Cada herramienta se fija en zonas distintas del rostro. FAHR-FaceAge mira los surcos nasogenianos, la frente justo encima de las órbitas y las sienes. FAHR-FaceSurvival, la zona bajo los ojos y alrededor del puente de la nariz.

Lo curioso es que los investigadores no tienen una explicación biológica de por qué esas regiones se asocian con la mortalidad. Como señala bioengineer.org, los mapas de atención describen qué información visual usa el modelo, no prueban que esas áreas sean una medida directa de un proceso fisiológico. Hay incluso una coincidencia histórica: descripciones atribuidas a Hipócrates hacia el año 400 a. C. vinculaban cambios en nariz, ojos y sienes con enfermedades graves. Los propios autores aclaran que es una curiosidad, no evidencia.

El hospital destaca además que el estimador de edad no se deja engañar por la postura, la luz, la expresión o el maquillaje, ni por la mayoría de cirugías estéticas, aunque se desvía un poco tras una rinoplastia. Fumar fue el hábito que más se asoció a parecer biológicamente mayor, por delante del consumo elevado de alcohol y del de drogas.

¿Está lista para usarse en la consulta?

No, y los propios datos lo dejan claro. Miroslaw Bober, especialista en imagen e IA de la Universidad de Surrey, señala en pharmaphorum que el estudio no comprobó si la IA detecta algo que un médico no vería, ni demostró que sus predicciones aporten información útil más allá de la valoración clínica de la salud y la forma física, que no se midió. Lo resume como una prueba de concepto prometedora que aún no está lista para el uso clínico.

bioengineer.org lo confirma: el trabajo fue computacional, no un ensayo clínico. Desarrolló y validó modelos predictivos, pero no probó si los médicos que usan las puntuaciones toman mejores decisiones ni si cambian los desenlaces de los pacientes. Tampoco se estableció un umbral de decisión clínica ni un subgrupo seguro para desplegar la herramienta.

Hay dos detalles más que conviene tener presentes. Mass General Brigham presentó en EE. UU. una solicitud provisional de patente sobre estos algoritmos faciales de salud. Y el equipo abrió un estudio público en faceage.bwh.harvard.edu, aprobado por un comité de ética, donde cualquiera puede subir su foto y recibir una estimación mientras aporta datos para validar el modelo.

Qué significa esto para tu startup

Si construyes en salud digital o IA aplicada, este caso deja tres lecciones operativas.

1. La validación externa es el activo, no el modelo. El hallazgo más defendible del estudio no es la precisión, sino que las predicciones se sostuvieron en cohortes independientes y que dos señales distintas se complementaron. Si tu producto usa IA para decisiones sensibles, diseña desde el día uno cómo vas a probarlo fuera de tu dataset de entrenamiento. Un modelo que solo funciona en tus datos no vale nada ante un regulador ni ante un cliente corporativo.

2. Medir no es diagnosticar. La brecha entre predecir bien en un paper y cambiar decisiones en la consulta es el verdadero cuello de botella del sector. Antes de invertir en precisión, pregúntate qué decisión concreta cambia tu producto y quién la toma. Si la respuesta es vaga, tienes un experimento, no un negocio.

3. El dato más fácil de capturar es el más riesgoso. Una foto es el dato de salud más accesible que existe, y un modelo con solicitud de patente que convierte un selfi en un riesgo de muerte tiene usos evidentes fuera del hospital. Un bioeticista independiente citado por Yahoo advierte que una predicción errónea podría dejar sin atención a quien la necesita, y plantea que aseguradoras o empleadores podrían usar estimaciones de salud basadas en la apariencia. Son preocupaciones, no casos documentados, pero marcan la conversación regulatoria que viene.

Para un founder hispanohablante que trabaja en salud, la implicación práctica es doble. Primero, si tu producto toca datos biométricos o de salud, define hoy quién puede usarlo y con qué datos: la pregunta por el consentimiento y la finalidad llegará antes de lo que crees, sobre todo en España, donde el marco de protección de datos es más estricto que en EE. UU. Segundo, si estás en LATAM, la ventana está en la validación local: los modelos entrenados con poblaciones mayoritariamente anglosajonas necesitan datos diversos, y quien los consiga con rigor tendrá una ventaja difícil de copiar.

La ciencia es interesante y el planteamiento, sensato: los médicos ya miran la cara del paciente para hacerse una idea de su estado. Lo que falta por demostrar es lo único que importa para adoptarlo en la práctica: que mejora las decisiones clínicas y que queda claro quién puede usarlo y con qué datos.