Un frotis de sangre al microscopio se parece a observar el firmamento: hay miles de “puntos” aparentemente normales y, de vez en cuando, aparece uno que no encaja, una célula con un matiz extraño que puede cambiar el diagnóstico. El problema es que, tras horas de trabajo clínico, la fatiga existe y la revisión humana suele basarse en muestreos: nadie puede mirar una por una todas las células de una lámina con la misma atención sostenida. Aquí es donde entra CytoDiffusion, un sistema de IA generativa que promete ayudar a no pasar por alto esas “estrellas raras” que los especialistas a veces no ven o no interpretan igual.La investigación, liderada por equipos de la University of Cambridge, University College London y Queen Mary University of London, se difundió en ScienceDaily y se publicó en Nature Machine Intelligence bajo el título “Deep generative classification of blood cell morphology”. El objetivo es muy concreto: leer la morfología celular con más consistencia, detectar anomalías sutiles asociadas a enfermedades como la leucemia y, algo clave, saber reconocer cuándo el propio sistema no está seguro.Qué es CytoDiffusion y por qué no es “otro clasificador más”Muchos sistemas de visión artificial en medicina funcionan como un archivador: reciben una imagen y la meten en una carpeta, “normal” o “anormal”, o en un conjunto de categorías predefinidas. CytoDiffusion parte de otra idea: en lugar de aprender solo etiquetas, intenta aprender el “universo” completo de cómo se ven las células sanguíneas sanas y sus variaciones habituales. Es como si, en vez de memorizar cuatro fotos de coches y cuatro de motos, aprendiera el concepto de “vehículo” con todas sus formas posibles y, por contraste, detectara mejor lo que se sale del molde.Esa aproximación se apoya en modelos generativos (del mismo tipo general que los generadores de imágenes). En la práctica, esto permite que el sistema sea más sensible a diferencias pequeñas de tamaño, forma, textura interna o proporciones, que son justo las pistas que en hematología pueden separar un hallazgo inocuo de uno preocupante.La dificultad real: la morfología celular no se aprende en un fin de semanaReconocer células sanguíneas al microscopio no es un “sí/no” sencillo. Hay variación natural entre personas, hay efectos del procesado, de la tinción, del tipo de microscopio y del laboratorio. Incluso especialistas muy entrenados pueden discrepar en casos complejos, porque algunos rasgos están en una zona gris.En el propio comunicado, el primer autor, Simon Deltadahl (Cambridge), lo explicaba con una idea muy directa: saber qué es una célula “inusual” o “enferma” es parte esencial del diagnóstico, pero requiere experiencia. Y el coautor senior Suthesh Sivapalaratnam (Queen Mary) ponía un ejemplo clínico reconocible: al final de una jornada, con muchos frotis por revisar, se vuelve evidente el valor de una ayuda automatizada que no se canse y que mantenga el mismo criterio de principio a fin.Entrenamiento con un volumen poco común: más de medio millón de imágenesUna pieza central del proyecto es el conjunto de datos: más de 500.000 imágenes de frotis procedentes de Addenbrooke’s Hospital (Cambridge), descrito como el mayor de su tipo por el equipo. No es solo “cantidad”: incluye tipos celulares comunes, ejemplos raros y casos que suelen confundir a sistemas automáticos. Dicho de forma cotidiana: no se entrenó solo con “perros y gatos” muy claros, sino también con esas fotos borrosas o ambiguas que son las que, en el mundo real, suelen causar problemas.Esto importa por dos motivos. El primero, porque mejora la detección de rarezas: si el modelo conoce bien la amplitud de lo normal, le cuesta menos señalar lo verdaderamente extraño. El segundo, porque puede resistir mejor cambios de entorno entre hospitales, máquinas y técnicas de tinción, una de las barreras clásicas cuando una herramienta pasa del laboratorio a la práctica clínica.Resultados: sensibilidad en leucemia y un enfoque práctico para el laboratorioSegún los resultados reportados, CytoDiffusion detectó células anómalas asociadas a leucemia con mayor sensibilidad que sistemas existentes y rindió al nivel de modelos punteros incluso con menos ejemplos de entrenamiento. Ese matiz es interesante: no se trata solo de “acertar más”, sino de hacerlo con eficiencia y con capacidad de generalización, algo crucial cuando el despliegue implica múltiples centros y condiciones diferentes.El encaje natural en el flujo de trabajo sería como un filtro inteligente: automatizar el cribado de lo rutinario, priorizar lo sospechoso y dejar la decisión clínica en manos del especialista. En lugar de sustituir la experiencia, la reordena. Es parecido a cuando un correo electrónico marca posibles fraudes o “phishing”: no decide por ti, pero te pone delante lo que merece atención antes de que se te escape.La pieza diferencial: medir la incertidumbre y no fingir seguridadSi hay un punto que el equipo subraya como distintivo es la capacidad del sistema para cuantificar su propia incertidumbre. En el texto se recoge una comparación incómoda pero real: las personas, incluso expertas, a veces expresan seguridad y se equivocan. Un sistema que diga “no lo tengo claro” puede ser más valioso que uno que “siempre contesta” aunque sea con errores bien presentados.Aquí entra el concepto que Parashkev Nachev (UCL) describe como una especie de conciencia de límites, una “metacognición”: saber lo que no se sabe. En medicina, donde una falsa certeza puede arrastrar decisiones, esa señal puede actuar como freno de seguridad. En términos prácticos, significa que la herramienta no solo marca células sospechosas, sino que también ayuda a decidir qué casos requieren una segunda mirada o pruebas adicionales.Cuando la IA también “pinta” células: imágenes sintéticas y el test de TuringOtro hallazgo llamativo es que el sistema puede generar imágenes sintéticas de células que se ven tan reales que diez hematólogos experimentados no pudieron distinguirlas mejor que al azar en una prueba tipo test de Turing. Esta parte tiene dos lecturas.La primera es positiva: si el generador reproduce bien la realidad, su “comprensión” estadística de la apariencia celular podría ser profunda, y esas imágenes podrían servir para investigación, docencia o para equilibrar conjuntos de entrenamiento con ejemplos raros. La segunda exige cautela: si se pueden producir imágenes indistinguibles, también crece la responsabilidad sobre trazabilidad, control de datos y uso ético, especialmente en contextos de validación, auditoría o intercambio entre instituciones.Datos abiertos: un empujón para la comunidad, con responsabilidadEl equipo afirma que publicará la mayor colección pública de imágenes de frotis de sangre periférica, con más de medio millón de muestras. En investigación biomédica, abrir datos de esta escala puede acelerar comparaciones justas entre modelos, reproducibilidad y avances colectivos. También “democratiza” el acceso para grupos que no tienen hospitales grandes detrás.Aun así, abrir datos médicos siempre implica equilibrio: privacidad, anonimización, sesgos de población y gobernanza. El propio trabajo reconoce la necesidad de validar en poblaciones más diversas y de vigilar la equidad del rendimiento. En otras palabras: una herramienta puede ser excelente en el entorno donde nació y comportarse distinto cuando cambia el perfil de pacientes o el contexto técnico.Lo que falta antes de verlo como apoyo habitual en clínicaLos autores señalan dos pasos claros: aumentar la velocidad del sistema y validar su desempeño en cohortes más diversas. La velocidad no es un detalle menor: en un laboratorio con carga alta, una herramienta útil debe integrarse sin añadir cuellos de botella. Y la validación multicéntrica es el camino para demostrar que la promesa se mantiene cuando cambia lo que suele cambiar: protocolos, equipos, casuística y calidad de las imágenes.Si todo encaja, el valor cotidiano sería tangible: menos diagnósticos dudosos por discrepancias, menos casos raros perdidos en una montaña de normalidad y un “copiloto” que alerta cuando el caso exige atención extra. Con apoyo de entidades como Wellcome, British Heart Foundation y organismos del NHS mencionados en la nota, la línea de trabajo parece orientada a ese salto del paper al impacto real, sin venderlo como sustituto del clínico.La noticia CytoDiffusion: la IA generativa que afina la mirada en el frotis de sangre y ayuda a detectar leucemia fue publicada originalmente en Wwwhatsnew.com por Natalia Polo.