CaresAI at SMM4H-HeaRD 2026: Predicting TNM Staging

Imagina que eres un detective intentando resolver un misterio médico complejo. Las pistas están ocultas dentro de informes largos, desordenados y de estilo manuscrito escritos por patólogos (médicos que examinan muestras de tejido). Estos informes describen el cáncer de un paciente, pero no siempre dicen la respuesta con claridad. Tu trabajo es averiguar tres cosas específicas sobre el cáncer:

1. T (Tumor): ¿Qué tamaño tiene el bulto principal y qué tan profundo se ha enterrado en el tejido cercano?
2. N (Nodo): ¿Se ha extendido el cáncer a los ganglios linfáticos cercanos (los puntos de control de seguridad del cuerpo)?
3. M (Metástasis): ¿Ha escapado el cáncer a otras partes del cuerpo por completo?

Esto se llama Estadificación TNM, y es la "tarjeta de puntuación" que los médicos utilizan para decidir cómo tratar a un paciente. El equipo de CaresAI participó en una competición (SMM4H-HeaRD 2026) para construir un programa informático capaz de leer estos informes desordenados y adivinar automáticamente las puntuaciones T, N y M.

Aquí explicamos cómo lo hicieron, de forma sencilla:

1. El Desafío: Leer la "letra pequeña"

Los informes que utilizaron procedían de una base de datos masiva llamada TCGA. Piensa en estos informes como miles de novelas diferentes escritas por distintos autores. Algunos son cortos, otros son enormes, algunos usan un lenguaje médico sofisticado y otros son vagos.

• El Problema: Los datos estaban "desequilibrados". Imagina una bolsa de canicas donde el 93% son blancas (sin propagación de cáncer) y solo el 7% son negras (con propagación de cáncer). Si simplemente adivinas "blanca" cada vez, acertarás la mayoría de las veces, pero te perderás las canicas negras que son peligrosas. El ordenador tenía que aprender a detectar las pistas raras y peligrosas.

2. Las Herramientas: Dos formas diferentes de "leer"

El equipo probó dos formas principales de enseñar al ordenador cómo entender el texto:

• Método A: El "Contador de Palabras Clave" (TF-IDF y LightGBM)
  Piensa en esto como un bibliotecario que cuenta con qué frecuencia aparecen palabras específicas. Si un informe menciona "metástasis" o "propagación" muchas veces, el ordenador lo marca. Utilizaron un algoritmo inteligente llamado LightGBM (que es como un árbol de decisión súper rápido y organizado) para observar estas recuentos de palabras.

  • Resultado: Este fue el campeón. Fue muy bueno detectando los patrones en el texto, casi como un detective experimentado que sabe exactamente qué palabras buscar.

• Método B: El "Pensador Profundo" (Modelos BERT y Redes Neuronales)
  Este enfoque utilizó modelos de IA avanzados (ClinicalBERT, BioBERT) que ya han leído millones de libros médicos. En lugar de solo contar palabras, estos modelos intentan comprender el significado y el contexto de las frases. Luego, introdujeron este "entendimiento" en una Red Residual Ancha (WRN), que es un tipo de red informática similar al cerebro, diseñada para detectar patrones complejos.

  • Resultado: Este método fue un poco más irregular. Aunque entendía bien la "vibra" del texto, a veces se confundía con los detalles específicos en comparación con el contador de palabras clave.

3. Los Resultados: ¿Qué tal lo hicieron?

El equipo probó a sus "detectives" en dos conjuntos diferentes de informes nuevos y no vistos (Conjunto de Prueba 1 y Conjunto de Prueba 2).

• La Buena Noticia: En el primer conjunto de pruebas, el ordenador fue increíblemente preciso. Obtuvo una puntuación de 0.978 (de un máximo de 1.0) para la etapa del Tumor y de 0.957 para la etapa del Nodo. Era como un detective que resuelve casi todos los casos perfectamente.
• La Mala Noticia: Cuando pasaron al segundo conjunto de pruebas, las puntuaciones bajaron (alrededor de 0.80).
  • ¿Por qué? El artículo explica que el ordenador se "mimó" demasiado con el primer conjunto de datos. Aprendió demasiado bien los patrones específicos de los datos de entrenamiento (un problema llamado sobreajuste o overfitting). Cuando veía un informe que era ligeramente diferente o más largo de lo habitual, se confundía. Además, debido a que los casos "peligrosos" (como la propagación del cáncer) eran tan raros en los datos de entrenamiento, el ordenador tenía dificultades para reconocerlos cuando aparecían en informes nuevos y complicados.

4. Las Limitaciones: Por qué no está listo para el hospital todavía

Los autores son muy honestos sobre lo que su herramienta no puede hacer todavía:

• El "Problema del Límite de Páginas": Los modelos de IA que utilizaron solo pueden leer unas 512 palabras a la vez. Muchos de estos informes médicos son mucho más largos. Es como intentar leer una novela entera pero solo tener permitido leer las primeras pocas páginas; el ordenador se pierde el final y las pistas importantes.
• El "Problema del Evento Raro": Debido a que los casos de "propagación de cáncer" eran tan raros en los datos de entrenamiento, el ordenador sigue siendo un poco sesgado. Es más seguro decir "sin propagación" que adivinar "con propagación", lo que significa que podría pasar por alto algunos casos reales.
• No es un Médico: El artículo establece explícitamente que, si bien esto es un gran "punto de partida" (baseline), no es lo suficientemente fiable como para ser utilizado en un hospital real para tomar decisiones de vida o muerte. Necesita más entrenamiento y un mejor manejo de documentos largos.

La Conclusión

El equipo de CaresAI construyó un programa informático capaz de leer informes de cáncer y adivinar la etapa de la enfermedad con una precisión impresionante en datos conocidos. Descubrieron que un método sencillo de "conteo de palabras clave" (LightGBM) funcionó mejor que la IA de "pensamiento profundo" para esta tarea específica.

Sin embargo, al igual que un estudiante que saca notas excelentes en un examen de práctica pero tiene dificultades en el examen real porque las preguntas fueron ligeramente diferentes, esta IA necesita más trabajo para manejar los casos desordenados, largos y raros que se encuentran en el mundo real antes de que pueda ser de confianza para ayudar a los médicos. Por ahora, es una herramienta poderosa para la investigación y un excelente punto de partida para futuras mejoras.