{"id":3531,"date":"2026-07-24T14:12:49","date_gmt":"2026-07-24T12:12:49","guid":{"rendered":"https:\/\/cells-ia.com\/?p=3531"},"modified":"2026-07-24T15:12:56","modified_gmt":"2026-07-24T13:12:56","slug":"inteligencia-artificial-transformando-patologia-digital-en-hospitales","status":"publish","type":"post","link":"https:\/\/cells-ia.com\/en\/inteligencia-artificial-transformando-patologia-digital-en-hospitales\/","title":{"rendered":"C\u00f3mo la inteligencia artificial est\u00e1 transformando la patolog\u00eda digital en hospitales"},"content":{"rendered":"<p><span style=\"font-weight: 400;\">Quienes nos dedicamos a la anatom\u00eda patol\u00f3gica venimos asistiendo, en los \u00faltimos a\u00f1os, a uno de los cambios m\u00e1s profundos que ha vivido nuestra especialidad desde la introducci\u00f3n de la inmunohistoqu\u00edmica. La patolog\u00eda digital (la sustituci\u00f3n progresiva del cristal y el microscopio \u00f3ptico por im\u00e1genes digitalizadas de portaobjetos completos (<\/span><i><span style=\"font-weight: 400;\">whole slide imaging<\/span><\/i><span style=\"font-weight: 400;\">, WSI)) est\u00e1 abriendo la puerta a una segunda transformaci\u00f3n: la integraci\u00f3n de algoritmos de inteligencia artificial (IA) en nuestro flujo diagn\u00f3stico.<\/span><\/p>\n<p><span style=\"font-weight: 400;\">Esta transformaci\u00f3n no es te\u00f3rica. Llega a un sistema sanitario sometido a una presi\u00f3n asistencial creciente: en Espa\u00f1a, la Sociedad Espa\u00f1ola de Oncolog\u00eda M\u00e9dica (SEOM) y la Red Espa\u00f1ola de Registros de C\u00e1ncer (REDECAN) estiman 301.884 nuevos diagn\u00f3sticos de c\u00e1ncer en 2026 (la primera vez que se superan los 300.000), siendo los m\u00e1s frecuentemente diagnosticados los de colon y recto (44.132 nuevos casos), mama (38.318), pulm\u00f3n (34.908), pr\u00f3stata (34.833) y vejiga urinaria (23.929) <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/seom.org\/images\/Las_Cifras_del_Cancer_en_Espanya_2026.pdf\"><span style=\"font-weight: 400;\">[1]<\/span><\/a><\/span><span style=\"font-weight: 400;\">. Cada uno de esos casos atraviesa, antes del tratamiento, las manos de un pat\u00f3logo. Y cada cuantificaci\u00f3n de Ki67, cada score de PD-L1, cada conteo de mitosis tiene consecuencias terap\u00e9uticas directas para el paciente <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.1016\/j.modpat.2022.100033\"><span style=\"font-weight: 400;\">[2]<\/span><\/a><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.1016\/j.ejca.2022.04.011\"><span style=\"font-weight: 400;\">[3]<\/span><\/a><\/span><span style=\"font-weight: 400;\">.<\/span><\/p>\n<p><span style=\"font-weight: 400;\">En este contexto, la pregunta ya no es si la IA tiene un papel en patolog\u00eda digital, sino c\u00f3mo se est\u00e1 integrando, qu\u00e9 evidencia respalda su uso, qu\u00e9 precauciones deben mantenerse y qu\u00e9 retos quedan por resolver. A continuaci\u00f3n, se expone, desde la perspectiva de la pr\u00e1ctica patol\u00f3gica actual, lo que la literatura cient\u00edfica permite afirmar con rigor.<\/span><\/p>\n<h2><span style=\"font-weight: 400;\">Qu\u00e9 es la patolog\u00eda digital y por qu\u00e9 es clave en los hospitales actuales<\/span><\/h2>\n<p><span style=\"font-weight: 400;\">La patolog\u00eda digital es el conjunto de tecnolog\u00edas que permiten digitalizar, almacenar, visualizar y analizar las preparaciones histol\u00f3gicas en formato electr\u00f3nico. Su pieza central es el <\/span><i><span style=\"font-weight: 400;\">whole slide image<\/span><\/i><span style=\"font-weight: 400;\"> (WSI): un escaneo de alta resoluci\u00f3n del cristal completo, que el pat\u00f3logo revisa en un monitor calibrado mediante un visor especializado, en lugar de hacerlo en el microscopio \u00f3ptico. El diagn\u00f3stico sobre WSI ha demostrado ser <\/span><b>no inferior<\/b><span style=\"font-weight: 400;\"> al del microscopio \u00f3ptico en un estudio multic\u00e9ntrico y aleatorizado con casi 2.000 casos <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.1097\/PAS.0000000000000948\"><span style=\"font-weight: 400;\">[4]<\/span><\/a><\/span><span style=\"font-weight: 400;\">.<\/span><\/p>\n<p><span style=\"font-weight: 400;\">Desde un punto de vista pr\u00e1ctico, supone trasladar al laboratorio de anatom\u00eda patol\u00f3gica una transici\u00f3n equivalente a la que vivi\u00f3 la radiolog\u00eda hace dos d\u00e9cadas con la adopci\u00f3n del PACS. La diferencia es que nuestras im\u00e1genes son sustancialmente m\u00e1s pesadas (un \u00fanico WSI puede ocupar varios gigabytes) y la cadena de trabajo previa (preanal\u00edtica, tinciones, control de calidad del corte) sigue siendo enteramente anal\u00f3gica.<\/span><\/p>\n<p><span style=\"font-weight: 400;\">La evidencia de no inferioridad diagn\u00f3stica entre el cristal y la imagen digital est\u00e1 hoy bien establecida. En un estudio reciente de un centro acad\u00e9mico terciario europeo, la concordancia entre informes digital y anal\u00f3gico alcanz\u00f3 el 99 %, con una reducci\u00f3n media de casi un minuto en el tiempo de firma por caso tras la transici\u00f3n <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.1007\/s00428-025-04043-3\"><span style=\"font-weight: 400;\">[5]<\/span><\/a><\/span><span style=\"font-weight: 400;\">. Existen, adem\u00e1s, recomendaciones europeas de buenas pr\u00e1cticas para implantar un flujo digital completo en el servicio <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.3390\/diagnostics11112167\"><span style=\"font-weight: 400;\">[6]<\/span><\/a><\/span><span style=\"font-weight: 400;\">.<\/span><\/p>\n<p><span style=\"font-weight: 400;\">\u00bfPor qu\u00e9 es clave ahora? Por tres razones convergentes:<\/span><\/p>\n<ul>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><b>Presi\u00f3n asistencial creciente:<\/b><span style=\"font-weight: 400;\"> aumenta el n\u00famero de muestras (301.884 nuevos diagn\u00f3sticos de c\u00e1ncer estimados en Espa\u00f1a en 2026, un 2 % m\u00e1s que el a\u00f1o anterior <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/seom.org\/images\/Las_Cifras_del_Cancer_en_Espanya_2026.pdf\"><span style=\"font-weight: 400;\">[1]<\/span><\/a><\/span><span style=\"font-weight: 400;\">) y, sobre todo, su complejidad: m\u00e1s biomarcadores, paneles m\u00e1s amplios y t\u00e9cnicas moleculares acopladas, en un contexto en el que la carga de trabajo crece m\u00e1s deprisa que la capacidad de los servicios <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.1186\/s13000-024-01590-2\"><span style=\"font-weight: 400;\">[7]<\/span><\/a><\/span><span style=\"font-weight: 400;\">.<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><b>D\u00e9ficit estructural de pat\u00f3logos:<\/b><span style=\"font-weight: 400;\"> el problema est\u00e1 documentado en m\u00faltiples sistemas sanitarios europeos. Diversas revisiones recientes sobre la fuerza laboral en patolog\u00eda advierten de un desajuste creciente entre demanda y profesionales disponibles, agravado por el envejecimiento del colectivo <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.1186\/s13000-024-01590-2\"><span style=\"font-weight: 400;\">[7]<\/span><\/a><\/span><span style=\"font-weight: 400;\">.<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><b>Disponibilidad tecnol\u00f3gica:<\/b><span style=\"font-weight: 400;\"> los esc\u00e1neres WSI, el almacenamiento masivo y los visores diagn\u00f3sticos han alcanzado una madurez que hace viable su integraci\u00f3n rutinaria.<\/span><\/li>\n<\/ul>\n<p><span style=\"font-weight: 400;\">La patolog\u00eda digital, por s\u00ed sola, ya aporta beneficios (telepatolog\u00eda, segundas opiniones inmediatas, archivos consultables, mejor docencia), pero su verdadero potencial transformador aparece cuando se combina con la inteligencia artificial.<\/span><\/p>\n<h2><span style=\"font-weight: 400;\">El papel de la inteligencia artificial en la patolog\u00eda digital<\/span><\/h2>\n<p><span style=\"font-weight: 400;\">Cuando hablamos de IA en patolog\u00eda, nos referimos, casi siempre, a algoritmos de aprendizaje profundo (<\/span><i><span style=\"font-weight: 400;\">deep learning<\/span><\/i><span style=\"font-weight: 400;\">), habitualmente redes neuronales convolucionales, entrenados con grandes cantidades de WSI anotadas por pat\u00f3logos.<\/span><\/p>\n<p><span style=\"font-weight: 400;\">Estos algoritmos pueden desempe\u00f1ar varios tipos de tareas <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.1038\/s41746-024-01106-8\"><span style=\"font-weight: 400;\">[8]<\/span><\/a><\/span><span style=\"font-weight: 400;\">:<\/span><\/p>\n<ul>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><b>Segmentaci\u00f3n:<\/b><span style=\"font-weight: 400;\"> delimitar regiones de inter\u00e9s (tumor frente a estroma, gl\u00e1ndulas, n\u00facleos).<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><b>Clasificaci\u00f3n:<\/b><span style=\"font-weight: 400;\"> asignar una etiqueta a una imagen o regi\u00f3n (benigno\/maligno, subtipo histol\u00f3gico).<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><b>Detecci\u00f3n:<\/b><span style=\"font-weight: 400;\"> localizar estructuras espec\u00edficas (mitosis, micromet\u00e1stasis, microorganismos).<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><b>Cuantificaci\u00f3n:<\/b><span style=\"font-weight: 400;\"> contar y estimar proporciones (\u00edndice de proliferaci\u00f3n Ki67, <\/span><i><span style=\"font-weight: 400;\">tumor proportion score<\/span><\/i><span style=\"font-weight: 400;\"> de PD-L1, densidad linfocitaria).<\/span><\/li>\n<\/ul>\n<p><span style=\"font-weight: 400;\">Una distinci\u00f3n importante es la que separa los algoritmos asistivos (que apoyan al pat\u00f3logo, quien retiene la responsabilidad diagn\u00f3stica) de aquellos cuyo resultado se utiliza como informaci\u00f3n diagn\u00f3stica directa. Lo determinante, a efectos del marco europeo, es la finalidad de uso declarada: un software queda dentro del \u00e1mbito de los productos sanitarios para diagn\u00f3stico in vitro cuando su prop\u00f3sito es aportar informaci\u00f3n con fines diagn\u00f3sticos, y la gu\u00eda europea de referencia sobre cualificaci\u00f3n de software introdujo en 2025 el t\u00e9rmino <\/span><i><span style=\"font-weight: 400;\">medical device artificial intelligence<\/span><\/i><span style=\"font-weight: 400;\"> (MDAI) para reconocer la IA como un subconjunto propio del software sanitario <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/health.ec.europa.eu\/system\/files\/2020-09\/md_mdcg_2019_11_guidance_en_0.pdf\"><span style=\"font-weight: 400;\">[19]<\/span><\/a><\/span><span style=\"font-weight: 400;\">. En la pr\u00e1ctica cl\u00ednica europea, hoy por hoy, casi todos los algoritmos en uso son asistivos y operan bajo la supervisi\u00f3n del pat\u00f3logo.<\/span><\/p>\n<p><span style=\"font-weight: 400;\">La integraci\u00f3n en el flujo de trabajo se produce t\u00edpicamente sobre una plataforma de patolog\u00eda digital: la imagen WSI se procesa con uno o varios algoritmos, las predicciones se superponen al WSI en el visor, y el pat\u00f3logo dispone de la informaci\u00f3n cuantitativa (mapas de calor, conteos, scores) para fundamentar su informe. Es importante remarcarlo: la IA no firma diagn\u00f3sticos, los apoya <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.1007\/s00428-025-04043-3\"><span style=\"font-weight: 400;\">[5]<\/span><\/a><\/span><span style=\"font-weight: 400;\">.<\/span><\/p>\n<h2><span style=\"font-weight: 400;\">Principales beneficios de aplicar IA en patolog\u00eda digital<\/span><\/h2>\n<p><span style=\"font-weight: 400;\">Repasados los fundamentos, conviene aterrizar los beneficios reales que la evidencia publicada permite atribuir hoy a la IA en patolog\u00eda digital. La revisi\u00f3n sistem\u00e1tica y meta-an\u00e1lisis de McGenity et al., publicada en <\/span><i><span style=\"font-weight: 400;\">NPJ Digital Medicine<\/span><\/i><span style=\"font-weight: 400;\"> en 2024, ofrece una referencia \u00fatil: la sensibilidad media de los modelos de IA en patolog\u00eda digital alcanz\u00f3 el 96,3 % y la especificidad media el 93,3 % <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.1038\/s41746-024-01106-8\"><span style=\"font-weight: 400;\">[8]<\/span><\/a><\/span><span style=\"font-weight: 400;\">. Cifras prometedoras, aunque los propios autores subrayan que la mayor\u00eda de los estudios incluidos presentaba alg\u00fan \u00e1rea con riesgo de sesgo o aplicabilidad incierta, un recordatorio del rigor que a\u00fan debe ganarse esta evidencia.<\/span><\/p>\n<h3><span style=\"font-weight: 400;\">Ayuda a mejorar el an\u00e1lisis de im\u00e1genes<\/span><\/h3>\n<p><span style=\"font-weight: 400;\">Uno de los problemas hist\u00f3ricos de nuestra especialidad es la variabilidad interobservador en tareas cuantitativas. El caso paradigm\u00e1tico es la valoraci\u00f3n del \u00edndice Ki67 en c\u00e1ncer de mama: pese a su impacto pron\u00f3stico, la concordancia entre pat\u00f3logos lleva a\u00f1os siendo sub\u00f3ptima (un estudio internacional de reproducibilidad situ\u00f3 la concordancia entre laboratorios en un valor solo moderado (ICC de 0,71)) <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.1093\/jnci\/djt306\"><span style=\"font-weight: 400;\">[9]<\/span><\/a><\/span><span style=\"font-weight: 400;\">.<\/span><\/p>\n<p><span style=\"font-weight: 400;\">Los algoritmos de IA reducen esa variabilidad de forma medible. En el estudio de Li et al.\u00a0(<\/span><i><span style=\"font-weight: 400;\">Diagnostic Pathology<\/span><\/i><span style=\"font-weight: 400;\">, 2022) sobre 300 casos de carcinoma invasivo de mama, la concordancia entre pat\u00f3logos mejor\u00f3 de forma notable cuando se utilizaba IA, hasta niveles comparables al de la referencia est\u00e1ndar <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.1186\/s13000-022-01196-6\"><span style=\"font-weight: 400;\">[10]<\/span><\/a><\/span><span style=\"font-weight: 400;\">. En un estudio multic\u00e9ntrico de no inferioridad sobre Ki67, ER y PR publicado en <\/span><i><span style=\"font-weight: 400;\">Modern Pathology<\/span><\/i><span style=\"font-weight: 400;\"> (2023), el an\u00e1lisis individual por IA fue confirmado por la mayor\u00eda de pat\u00f3logos en el 95,8 % de los casos de Ki67 y el 93,2 % de los de ER\/PR, sobre una muestra amplia de variabilidad real (tres sistemas de tinci\u00f3n y cinco esc\u00e1neres distintos) <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.1016\/j.modpat.2022.100033\"><span style=\"font-weight: 400;\">[2]<\/span><\/a><\/span><span style=\"font-weight: 400;\">.<\/span><\/p>\n<p><span style=\"font-weight: 400;\">El patr\u00f3n se repite en otros biomarcadores. Para el <\/span><i><span style=\"font-weight: 400;\">tumor proportion score<\/span><\/i><span style=\"font-weight: 400;\"> de PD-L1 en carcinoma no microc\u00edtico de pulm\u00f3n (variable con un impacto directo en la indicaci\u00f3n de inmunoterapia), un estudio sobre im\u00e1genes te\u00f1idas con el ensayo 22C3 desarroll\u00f3 un analizador basado en IA y demostr\u00f3 que su asistencia <\/span><b>reduc\u00eda la discrepancia entre pat\u00f3logos<\/b><span style=\"font-weight: 400;\"> en la interpretaci\u00f3n del TPS y conduc\u00eda, adem\u00e1s, a una <\/span><b>mejor predicci\u00f3n de la respuesta<\/b><span style=\"font-weight: 400;\"> a la inmunoterapia <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.1016\/j.ejca.2022.04.011\"><span style=\"font-weight: 400;\">[3]<\/span><\/a><\/span><span style=\"font-weight: 400;\">.<\/span><\/p>\n<p><span style=\"font-weight: 400;\">Quiero subrayar un matiz cl\u00ednico que a veces se pierde: el valor de estos algoritmos no reside en sustituir el ojo del pat\u00f3logo, sino en aportar consistencia. Una cuantificaci\u00f3n reproducible significa que dos pacientes con el mismo perfil real reciben la misma indicaci\u00f3n terap\u00e9utica con independencia del centro, del pat\u00f3logo y del momento.<\/span><\/p>\n<h3><span style=\"font-weight: 400;\">Reducci\u00f3n de tiempos de diagn\u00f3stico<\/span><\/h3>\n<p><span style=\"font-weight: 400;\">La reducci\u00f3n de tiempos opera en dos planos: el tiempo individual del pat\u00f3logo en cada caso y el tiempo total desde la recepci\u00f3n de la muestra hasta el informe firmado, que es lo que realmente importa al paciente y al cl\u00ednico tratante.<\/span><\/p>\n<p><span style=\"font-weight: 400;\">A escala individual, los datos disponibles son consistentes. El estudio europeo en un centro acad\u00e9mico terciario ya citado document\u00f3 una reducci\u00f3n media de cerca de un minuto por caso en el tiempo de firma, con un 99 % de concordancia diagn\u00f3stica <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.1007\/s00428-025-04043-3\"><span style=\"font-weight: 400;\">[5]<\/span><\/a><\/span><span style=\"font-weight: 400;\">. En el centro acad\u00e9mico estadounidense referenciado por Hanna et al.\u00a0(<\/span><i><span style=\"font-weight: 400;\">Archives of Pathology &amp; Laboratory Medicine<\/span><\/i><span style=\"font-weight: 400;\">, 2019), la implantaci\u00f3n del flujo digital se asoci\u00f3 a un descenso muy marcado en las peticiones de cristales archivados y a una ca\u00edda de las inmunohistoqu\u00edmicas auxiliares <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.5858\/arpa.2018-0514-OA\"><span style=\"font-weight: 400;\">[11]<\/span><\/a><\/span><span style=\"font-weight: 400;\">.<\/span><\/p>\n<p><span style=\"font-weight: 400;\">En tareas que la IA est\u00e1 especialmente bien preparada para asistir, los tiempos se acortan de forma sustancial. En el cribado mediante <\/span><i><span style=\"font-weight: 400;\">deep learning<\/span><\/i><span style=\"font-weight: 400;\"> de la infecci\u00f3n por <\/span><i><span style=\"font-weight: 400;\">Helicobacter pylori<\/span><\/i><span style=\"font-weight: 400;\"> en biopsias g\u00e1stricas, los diagn\u00f3sticos asistidos por IA en casos positivos resultaron significativamente m\u00e1s r\u00e1pidos y m\u00e1s precisos que los no asistidos (odds ratio de 13,37; p&lt;0,001) <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.3390\/diagnostics15091085\"><span style=\"font-weight: 400;\">[12]<\/span><\/a><\/span><span style=\"font-weight: 400;\">.<\/span><\/p>\n<p><span style=\"font-weight: 400;\">A escala de servicio, la consecuencia m\u00e1s relevante es que la patolog\u00eda digital con IA permite absorber mayor carga asistencial sin proporcionalidad lineal en plantilla, una ventaja cr\u00edtica en un entorno con d\u00e9ficit estructural de pat\u00f3logos. Las revisiones sobre la fuerza laboral lo se\u00f1alan expl\u00edcitamente: la combinaci\u00f3n de digitalizaci\u00f3n e IA es una de las pocas palancas realistas para sostener la calidad del diagn\u00f3stico ante el crecimiento de la demanda <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.1186\/s13000-024-01590-2\"><span style=\"font-weight: 400;\">[7]<\/span><\/a><\/span><span style=\"font-weight: 400;\">.<\/span><\/p>\n<h3><span style=\"font-weight: 400;\">Optimizaci\u00f3n del workflow en anatom\u00eda patol\u00f3gica<\/span><\/h3>\n<p><span style=\"font-weight: 400;\">La IA tiene un efecto sobre el flujo de trabajo que va m\u00e1s all\u00e1 del cron\u00f3metro. En la pr\u00e1ctica, automatiza o asiste tareas repetitivas (recuentos, cribados, priorizaci\u00f3n) y libera tiempo de pat\u00f3logo experto para las decisiones que realmente requieren su criterio.<\/span><\/p>\n<p><span style=\"font-weight: 400;\">Ejemplos habituales:<\/span><\/p>\n<ul>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><b>Cribado y priorizaci\u00f3n (<\/b><b><i>triage<\/i><\/b><b>):<\/b><span style=\"font-weight: 400;\"> la IA puede preanalizar los WSI nada m\u00e1s generarse, marcar los casos con sospecha de malignidad y priorizarlos en la lista de trabajo. El pat\u00f3logo aborda primero lo urgente <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.1038\/s41746-024-01106-8\"><span style=\"font-weight: 400;\">[8]<\/span><\/a><\/span><span style=\"font-weight: 400;\">.<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><b>Cuantificaci\u00f3n autom\u00e1tica de biomarcadores:<\/b><span style=\"font-weight: 400;\"> el pat\u00f3logo valida el resultado en lugar de contar manualmente cientos de c\u00e9lulas. La evidencia es espec\u00edfica de cada marcador: Ki67, ER y PR <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.1016\/j.modpat.2022.100033\"><span style=\"font-weight: 400;\">[2]<\/span><\/a><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.1186\/s13000-022-01196-6\"><span style=\"font-weight: 400;\">[10]<\/span><\/a><\/span><span style=\"font-weight: 400;\">, HER2 <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.1038\/s41746-025-01483-8\"><span style=\"font-weight: 400;\">[14]<\/span><\/a><\/span><span style=\"font-weight: 400;\">, PD-L1 <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.1016\/j.ejca.2022.04.011\"><span style=\"font-weight: 400;\">[3]<\/span><\/a><\/span><span style=\"font-weight: 400;\"> y conteo de mitosis <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.1016\/j.media.2022.102699\"><span style=\"font-weight: 400;\">[20]<\/span><\/a><\/span><span style=\"font-weight: 400;\">.<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><b>Detecci\u00f3n de eventos infrecuentes:<\/b><span style=\"font-weight: 400;\"> microorganismos como <\/span><i><span style=\"font-weight: 400;\">H. pylori<\/span><\/i> <span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.3390\/diagnostics15091085\"><span style=\"font-weight: 400;\">[12]<\/span><\/a><\/span><span style=\"font-weight: 400;\"> o met\u00e1stasis ganglionares en carcinoma colorrectal <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.1016\/j.modpat.2023.100118\"><span style=\"font-weight: 400;\">[15]<\/span><\/a><\/span><span style=\"font-weight: 400;\">. La IA act\u00faa como \u201csegunda lectura\u201d sistem\u00e1tica.<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><b>Apoyo en la integraci\u00f3n<\/b><span style=\"font-weight: 400;\"> entre LIS, esc\u00e1ner y plataforma de IA, reduciendo el tiempo de transici\u00f3n entre etapas y los riesgos de error humano en el enrutamiento de casos <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.1007\/s00428-025-04064-y\"><span style=\"font-weight: 400;\">[13]<\/span><\/a><\/span><span style=\"font-weight: 400;\">.<\/span><\/li>\n<\/ul>\n<p><span style=\"font-weight: 400;\">La encuesta cualitativa publicada en <\/span><i><span style=\"font-weight: 400;\">Virchows Archiv<\/span><\/i><span style=\"font-weight: 400;\"> (2025) sobre la experiencia de varios laboratorios europeos punteros confirma este patr\u00f3n: los profesionales valoran como mayores ganancias la flexibilidad, la organizaci\u00f3n del laboratorio, la capacidad de acceso remoto y la posibilidad de mantener vol\u00famenes crecientes con plantilla constante <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.1007\/s00428-025-04064-y\"><span style=\"font-weight: 400;\">[13]<\/span><\/a><\/span><span style=\"font-weight: 400;\">.<\/span><\/p>\n<h2><span style=\"font-weight: 400;\">Aplicaciones reales de la IA en patolog\u00eda digital en hospitales<\/span><\/h2>\n<p><span style=\"font-weight: 400;\">Las aplicaciones cl\u00ednicas con uso documentado en hospitales son ya numerosas. Sin pretensi\u00f3n de exhaustividad, conviene revisar las m\u00e1s asentadas por \u00f3rgano y patolog\u00eda.<\/span><\/p>\n<h3><span style=\"font-weight: 400;\">C\u00e1ncer de mama<\/span><\/h3>\n<p><span style=\"font-weight: 400;\">Es probablemente el \u00e1rea donde la IA ha avanzado m\u00e1s en patolog\u00eda digital. La cuantificaci\u00f3n asistida de Ki67, ER, PR y HER2 sobre inmunohistoqu\u00edmica ha sido validada en m\u00faltiples cohortes con buena concordancia respecto al est\u00e1ndar y reducci\u00f3n de la variabilidad interobservador <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.1016\/j.modpat.2022.100033\"><span style=\"font-weight: 400;\">[2]<\/span><\/a><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.1186\/s13000-022-01196-6\"><span style=\"font-weight: 400;\">[10]<\/span><\/a><\/span><span style=\"font-weight: 400;\">; en HER2, un metaan\u00e1lisis reciente mostr\u00f3 alta precisi\u00f3n de la IA en la clasificaci\u00f3n de los scores, con una concordancia del 97 % en los casos 3+ <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.1038\/s41746-025-01483-8\"><span style=\"font-weight: 400;\">[14]<\/span><\/a><\/span><span style=\"font-weight: 400;\">. Modelos m\u00e1s recientes exploran predecir Ki67 directamente desde tinciones H&amp;E mediante <\/span><i><span style=\"font-weight: 400;\">deep learning<\/span><\/i><span style=\"font-weight: 400;\">, con estudios de validaci\u00f3n externa sobre series amplias.<\/span><\/p>\n<h3><span style=\"font-weight: 400;\">Patolog\u00eda gastrointestinal<\/span><\/h3>\n<p><span style=\"font-weight: 400;\">La detecci\u00f3n automatizada de <\/span><i><span style=\"font-weight: 400;\">Helicobacter pylori<\/span><\/i><span style=\"font-weight: 400;\"> es uno de los casos de uso mejor establecidos. He conducido personalmente un estudio en este campo, agrupando las herramientas de la Unidad Provincial Intercentros de Anatom\u00eda Patol\u00f3gica de la Provincia de Granada (UPIGAP) y de CELLS IA para evaluar el cribado mediante <\/span><i><span style=\"font-weight: 400;\">deep learning<\/span><\/i><span style=\"font-weight: 400;\"> sobre 300 WSI de biopsias g\u00e1stricas te\u00f1idas con Warthin-Starry, confirmando su viabilidad en muestras de pr\u00e1ctica cl\u00ednica real (publicado en 2025) <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.3390\/diagnostics15091085\"><span style=\"font-weight: 400;\">[12]<\/span><\/a><\/span><span style=\"font-weight: 400;\">. Otras aplicaciones en patolog\u00eda gastrointestinal incluyen la detecci\u00f3n de met\u00e1stasis ganglionares en carcinoma colorrectal a partir de im\u00e1genes H&amp;E, con alto rendimiento en cohortes de validaci\u00f3n <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.1016\/j.modpat.2023.100118\"><span style=\"font-weight: 400;\">[15]<\/span><\/a><\/span><span style=\"font-weight: 400;\">, as\u00ed como el soporte en el diagn\u00f3stico de p\u00f3lipos y carcinomas colorrectales.<\/span><\/p>\n<h3><span style=\"font-weight: 400;\">C\u00e1ncer de pr\u00f3stata<\/span><\/h3>\n<p><span style=\"font-weight: 400;\">Modelos de IA validados con grandes series cl\u00ednicas (Pantanowitz et al., <\/span><i><span style=\"font-weight: 400;\">Lancet Digital Health<\/span><\/i><span style=\"font-weight: 400;\">, 2020) han demostrado alto rendimiento en la detecci\u00f3n y graduaci\u00f3n de carcinoma en biopsias prost\u00e1ticas mediante el sistema de Gleason <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.1016\/S2589-7500(20)30159-X\"><span style=\"font-weight: 400;\">[16]<\/span><\/a><\/span><span style=\"font-weight: 400;\">. El uso t\u00edpico en hospital es de cribado\/priorizaci\u00f3n y de segunda lectura.<\/span><\/p>\n<h3><span style=\"font-weight: 400;\">C\u00e1ncer de pulm\u00f3n<\/span><\/h3>\n<p><span style=\"font-weight: 400;\">M\u00e1s all\u00e1 de la cuantificaci\u00f3n de PD-L1 ya comentada, hay modelos de IA en desarrollo para la subtipificaci\u00f3n histol\u00f3gica de adenocarcinoma frente a carcinoma escamoso y para la predicci\u00f3n de alteraciones moleculares desde H&amp;E, con resultados prometedores en validaci\u00f3n externa, seg\u00fan revisiones sistem\u00e1ticas recientes <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.21037\/tlcr-2024-1196\"><span style=\"font-weight: 400;\">[17]<\/span><\/a><\/span><span style=\"font-weight: 400;\">.<\/span><\/p>\n<h3><span style=\"font-weight: 400;\">Dermatopatolog\u00eda<\/span><\/h3>\n<p><span style=\"font-weight: 400;\">El conteo de mitosis en melanoma, la valoraci\u00f3n de m\u00e1rgenes, la distinci\u00f3n de lesiones n\u00e9vicas frente a melanoc\u00edticas malignas y el soporte en biopsias dermatol\u00f3gicas son \u00e1reas con creciente investigaci\u00f3n; algoritmos de <\/span><i><span style=\"font-weight: 400;\">deep learning<\/span><\/i><span style=\"font-weight: 400;\"> han alcanzado un rendimiento comparable al del pat\u00f3logo en la detecci\u00f3n de met\u00e1stasis de melanoma en ganglio centinela y en la identificaci\u00f3n de nevus intranodales <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.3389\/fmed.2024.1418013\"><span style=\"font-weight: 400;\">[18]<\/span><\/a><\/span><span style=\"font-weight: 400;\">.<\/span><\/p>\n<h3><span style=\"font-weight: 400;\">Patolog\u00eda ginecol\u00f3gica y otros tejidos<\/span><\/h3>\n<p><span style=\"font-weight: 400;\">La aplicaci\u00f3n est\u00e1 m\u00e1s temprana, aunque crece. Los grupos de trabajo internacionales sit\u00faan la patolog\u00eda digital como pieza clave en la nueva oncolog\u00eda de precisi\u00f3n.<\/span><\/p>\n<p><span style=\"font-weight: 400;\">En este escenario, los desarrollos comerciales europeos avanzan en paralelo. Plataformas como NucleIQ\u00ae de Cells IA Technologies son un ejemplo del modelo bajo el que estas tecnolog\u00edas se integran en los hospitales europeos: una plataforma de gesti\u00f3n y visualizaci\u00f3n sobre la cual operan algoritmos individuales, cada uno con su propia finalidad de uso y su correspondiente proceso de validaci\u00f3n.<\/span><\/p>\n<h2><span style=\"font-weight: 400;\">Retos en la implementaci\u00f3n de inteligencia artificial en hospitales<\/span><\/h2>\n<p><span style=\"font-weight: 400;\">Ning\u00fan an\u00e1lisis riguroso estar\u00eda completo sin abordar los retos que a\u00fan quedan por delante. Hay varios, y conviene mirarlos de frente.<\/span><\/p>\n<h3><span style=\"font-weight: 400;\">Interoperabilidad e integraci\u00f3n t\u00e9cnica<\/span><\/h3>\n<p><span style=\"font-weight: 400;\">La adopci\u00f3n de la IA en los servicios de anatom\u00eda patol\u00f3gica se enfrenta a la rigidez de las estructuras inform\u00e1ticas hospitalarias existentes. La conectividad integral entre los sistemas WSI, LIS, plataformas anal\u00edticas e HIS est\u00e1 condicionada por est\u00e1ndares de interoperabilidad. Dado que no es viable reestructurar por completo los sistemas actuales de los centros, la realidad cl\u00ednica obliga a depender de integraciones personalizadas <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.1007\/s00428-025-04064-y\"><span style=\"font-weight: 400;\">[13]<\/span><\/a><\/span><span style=\"font-weight: 400;\">.<\/span><\/p>\n<h3><span style=\"font-weight: 400;\">Validaci\u00f3n cl\u00ednica y evaluaci\u00f3n rigurosa<\/span><\/h3>\n<p><span style=\"font-weight: 400;\">La calidad metodol\u00f3gica de los estudios disponibles es todav\u00eda muy heterog\u00e9nea. La validaci\u00f3n externa, con cohortes independientes y representativas de la poblaci\u00f3n diana, sigue siendo la excepci\u00f3n m\u00e1s que la regla <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.1038\/s41746-024-01106-8\"><span style=\"font-weight: 400;\">[8]<\/span><\/a><\/span><span style=\"font-weight: 400;\">. Incorporar una herramienta de IA con garant\u00edas exige, por tanto, un proceso largo de validaci\u00f3n, controles y ensayos antes de su uso rutinario.<\/span><\/p>\n<h3><span style=\"font-weight: 400;\">Conformidad regulatoria y garant\u00edas de calidad<\/span><\/h3>\n<p><span style=\"font-weight: 400;\">Cuando un servicio incorpora una herramienta de IA, lo relevante desde el punto de vista cl\u00ednico no es el detalle normativo, sino las garant\u00edas que esa herramienta ofrece. Lo esencial es poder exigir transparencia al proveedor: para qu\u00e9 est\u00e1 validado el algoritmo, en qu\u00e9 poblaci\u00f3n, con qu\u00e9 rendimiento y bajo qu\u00e9 condiciones de uso. Conviene tener presente, adem\u00e1s, que el marco regulatorio europeo se encuentra en plena transici\u00f3n, por lo que es razonable pedir a cada proveedor informaci\u00f3n actualizada sobre el estado de su soluci\u00f3n. El detalle t\u00e9cnico de estos requisitos merece un tratamiento propio, de la mano de perfiles especializados en asuntos regulatorios.<\/span><\/p>\n<h3><span style=\"font-weight: 400;\">Seguridad de los datos y trazabilidad<\/span><\/h3>\n<p><span style=\"font-weight: 400;\">Las im\u00e1genes WSI son datos cl\u00ednicos especialmente sensibles. Cualquier herramienta que se integre en el flujo hospitalario debe garantizar la protecci\u00f3n de los datos del paciente. Igual de importante es la trazabilidad: el servicio debe poder saber qu\u00e9 versi\u00f3n del algoritmo emiti\u00f3 un resultado, sobre qu\u00e9 imagen y en qu\u00e9 fecha, un requisito b\u00e1sico para la auditor\u00eda cl\u00ednica y para la gesti\u00f3n de incidencias.<\/span><\/p>\n<h3><span style=\"font-weight: 400;\">Adopci\u00f3n y formaci\u00f3n del equipo<\/span><\/h3>\n<p><span style=\"font-weight: 400;\">M\u00e1s all\u00e1 de la tecnolog\u00eda, la implantaci\u00f3n exige redise\u00f1ar procesos, formar al personal en el nuevo flujo, ajustar la organizaci\u00f3n del servicio y, no menos importante, generar la confianza del pat\u00f3logo en la herramienta. Esto \u00faltimo no se compra: se construye con tiempo, con casos reales y con validaciones internas en el propio centro.<\/span><\/p>\n<h3><span style=\"font-weight: 400;\">Sesgos y generalizaciones<\/span><\/h3>\n<p><span style=\"font-weight: 400;\">Un algoritmo entrenado con datos de una poblaci\u00f3n o de una t\u00e9cnica de tinci\u00f3n concreta puede no generalizar a otra. La detecci\u00f3n y mitigaci\u00f3n de sesgos algor\u00edtmicos, la valoraci\u00f3n de la deriva de rendimiento en el tiempo y la monitorizaci\u00f3n tras la puesta en uso son responsabilidades compartidas entre fabricante y centro usuario.<\/span><\/p>\n<h2><span style=\"font-weight: 400;\">Avances recientes de la patolog\u00eda digital con inteligencia artificial<\/span><\/h2>\n<p><span style=\"font-weight: 400;\">Los pr\u00f3ximos a\u00f1os van a ser especialmente activos. Algunas l\u00edneas a seguir de cerca:<\/span><\/p>\n<h3><span style=\"font-weight: 400;\">Modelos de gran escala<\/span><\/h3>\n<p><span style=\"font-weight: 400;\">Hace 18 meses que vemos un cambio de paradigma con modelos entrenados en una gran cantidad de im\u00e1genes, que son multitarea y no solo sirven para tareas \u00fanicas, como era el caso de la primera generaci\u00f3n de algoritmos.<\/span><\/p>\n<h3><span style=\"font-weight: 400;\">Predicci\u00f3n directa desde H&amp;E<\/span><\/h3>\n<p><span style=\"font-weight: 400;\">La capacidad de predecir biomarcadores moleculares o resultados terap\u00e9uticos directamente desde la tinci\u00f3n de rutina H&amp;E (sin esperar a la inmunohistoqu\u00edmica o la t\u00e9cnica molecular) est\u00e1 siendo objeto de investigaci\u00f3n intensa, con potencial para acortar dr\u00e1sticamente los tiempos diagn\u00f3sticos en escenarios concretos <\/span><span style=\"color: #0000ff;\"><a style=\"color: #0000ff;\" href=\"https:\/\/doi.org\/10.21037\/tlcr-2024-1196\"><span style=\"font-weight: 400;\">[17]<\/span><\/a><\/span><span style=\"font-weight: 400;\">.<\/span><\/p>\n<h3><span style=\"font-weight: 400;\">Integraci\u00f3n multimodal<\/span><\/h3>\n<p><span style=\"font-weight: 400;\">Combinar patolog\u00eda digital con datos radiol\u00f3gicos, gen\u00f3micos y cl\u00ednicos en modelos integrados es el horizonte de la oncolog\u00eda de precisi\u00f3n, y una de las prioridades estrat\u00e9gicas se\u00f1aladas por los grupos de trabajo del sector.<\/span><\/p>\n<h3><span style=\"font-weight: 400;\">Estandarizaci\u00f3n regulatoria<\/span><\/h3>\n<p><span style=\"font-weight: 400;\">El marco regulatorio europeo est\u00e1 a\u00fan en periodo de transici\u00f3n. La armonizaci\u00f3n progresiva de las exigencias entre los distintos mercados facilitar\u00e1 el despliegue multic\u00e9ntrico de algoritmos validados.<\/span><\/p>\n<h3><span style=\"font-weight: 400;\">Codesarrollo industria\u2013hospital<\/span><\/h3>\n<p><span style=\"font-weight: 400;\">Los modelos que mejor funcionan son aquellos cuyo entrenamiento y validaci\u00f3n se han hecho con cohortes reales y heterog\u00e9neas. La colaboraci\u00f3n estructurada entre fabricantes y servicios hospitalarios, bajo marcos \u00e9ticos claros, es y ser\u00e1 una pieza clave del proceso.<\/span><\/p>\n<p><span style=\"font-weight: 400;\">La patolog\u00eda digital con inteligencia artificial nos ayuda a ser m\u00e1s precisos donde la variabilidad nos lastraba, m\u00e1s r\u00e1pidos donde la repetici\u00f3n nos consum\u00eda y m\u00e1s coherentes entre centros y servicios. En un sistema con demanda creciente y plantilla limitada, eso es exactamente lo que se necesita.<\/span><\/p>\n<p><span style=\"font-weight: 400;\">La condici\u00f3n es que la integraci\u00f3n se haga con rigor: validaci\u00f3n cl\u00ednica real, garant\u00edas de calidad, seguridad de los datos, trazabilidad y formaci\u00f3n. El pat\u00f3logo del pr\u00f3ximo decenio ser\u00e1, en buena medida, un pat\u00f3logo digital. Y el pat\u00f3logo digital trabajar\u00e1 (ya lo est\u00e1 haciendo) con inteligencia artificial.<\/span><\/p>\n<h2><span style=\"font-weight: 400;\">Referencias<\/span><\/h2>\n<ol>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Sociedad Espa\u00f1ola de Oncolog\u00eda M\u00e9dica (SEOM), Red Espa\u00f1ola de Registros de C\u00e1ncer (REDECAN). Las cifras del c\u00e1ncer en Espa\u00f1a 2026. Madrid: SEOM; 2026. https:\/\/seom.org\/images\/Las_Cifras_del_Cancer_en_Espanya_2026.pdf (consultado el 13 de julio de 2026).<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Abele N, Tiemann K, Krech T, et al.\u00a0Noninferiority of artificial intelligence-assisted analysis of Ki-67 and estrogen\/progesterone receptor in breast cancer routine diagnostics. Mod Pathol. 2023;36(3):100033. https:\/\/doi.org\/10.1016\/j.modpat.2022.100033 (consultado el 13 de julio de 2026).<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Choi S, Cho SI, Ma M, et al.\u00a0Artificial intelligence-powered programmed death ligand 1 analyser reduces interobserver variation in tumour proportion score for non-small cell lung cancer with better prediction of immunotherapy response. Eur J Cancer. 2022;170:17-26. https:\/\/doi.org\/10.1016\/j.ejca.2022.04.011 (consultado el 13 de julio de 2026).<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Mukhopadhyay S, Feldman MD, Abels E, et al.\u00a0Whole slide imaging versus microscopy for primary diagnosis in surgical pathology: a multicenter blinded randomized noninferiority study of 1992 cases (pivotal study). Am J Surg Pathol. 2018;42(1):39-52. https:\/\/doi.org\/10.1097\/PAS.0000000000000948 (consultado el 13 de julio de 2026).<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Iwuajoku V, Ekici K, Haas A, et al.\u00a0An equivalency and efficiency study for one year digital pathology for clinical routine diagnostics in an accredited tertiary academic center. Virchows Arch. 2025;487:3-12. https:\/\/doi.org\/10.1007\/s00428-025-04043-3 (consultado el 13 de julio de 2026).<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Fraggetta F, L\u2019Imperio V, Ameisen D, et al.\u00a0Best practice recommendations for the implementation of a digital pathology workflow in the anatomic pathology laboratory by the European Society of Digital and Integrative Pathology (ESDIP). Diagnostics (Basel). 2021;11(11):2167. https:\/\/doi.org\/10.3390\/diagnostics11112167 (consultado el 13 de julio de 2026).<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Wilson ML, Ayad S, Bekele W, et al.\u00a0The current troubled state of the global pathology workforce: a concise review. Diagn Pathol. 2024;19:75. https:\/\/doi.org\/10.1186\/s13000-024-01590-2 (consultado el 13 de julio de 2026).<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">McGenity C, Clarke EL, Jennings C, et al.\u00a0Artificial intelligence in digital pathology: a systematic review and meta-analysis of diagnostic test accuracy. NPJ Digit Med. 2024;7:114. https:\/\/doi.org\/10.1038\/s41746-024-01106-8 (consultado el 13 de julio de 2026).<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Polley MY, Leung SC, McShane LM, et al.\u00a0An international Ki67 reproducibility study. J Natl Cancer Inst. 2013;105(24):1897-1906. https:\/\/doi.org\/10.1093\/jnci\/djt306 (consultado el 13 de julio de 2026).<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Li L, Han D, Yu Y, Li J, Liu Y. Artificial intelligence-assisted interpretation of Ki-67 expression and repeatability in breast cancer. Diagn Pathol. 2022;17:20. https:\/\/doi.org\/10.1186\/s13000-022-01196-6 (consultado el 13 de julio de 2026).<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Hanna MG, Reuter VE, Samboy J, et al.\u00a0Implementation of digital pathology offers clinical and operational increase in efficiency and cost savings. Arch Pathol Lab Med. 2019;143(12):1545-1555. https:\/\/doi.org\/10.5858\/arpa.2018-0514-OA (consultado el 13 de julio de 2026).<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Aneiros-Fern\u00e1ndez J, Montero Pav\u00f3n P, Garc\u00eda G\u00f3mez N, et al.\u00a0Rapid and efficient screening of Helicobacter pylori in gastric samples stained with Warthin\u2013Starry using deep learning. Diagnostics (Basel). 2025;15(9):1085. https:\/\/doi.org\/10.3390\/diagnostics15091085 (consultado el 13 de julio de 2026).<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Matias-Guiu X, Temprana-Salvador J, Garcia Lopez P, et al.\u00a0Implementing digital pathology: qualitative and financial insights from eight leading European laboratories. Virchows Arch. 2025;487:815-826. https:\/\/doi.org\/10.1007\/s00428-025-04064-y (consultado el 13 de julio de 2026).<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Albuquerque DAN, Vianna MT, Sampaio LAF, Vasiliu A, Neves Filho EHC. Systematic review and meta-analysis of artificial intelligence in classifying HER2 status in breast cancer immunohistochemistry. NPJ Digit Med. 2025;8(1):144. https:\/\/doi.org\/10.1038\/s41746-025-01483-8 (consultado el 13 de julio de 2026).<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Khan A, Brouwer N, Blank A, et al.\u00a0Computer-assisted diagnosis of lymph node metastases in colorectal cancers using transfer learning with an ensemble model. Mod Pathol. 2023;36(5):100118. https:\/\/doi.org\/10.1016\/j.modpat.2023.100118 (consultado el 13 de julio de 2026).<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Pantanowitz L, Quiroga-Garza GM, Bien L, et al.\u00a0An artificial intelligence algorithm for prostate cancer diagnosis in whole slide images of core needle biopsies: a blinded clinical validation and deployment study. Lancet Digit Health. 2020;2(8):e407-e416. https:\/\/doi.org\/10.1016\/S2589-7500(20)30159-X (consultado el 13 de julio de 2026).<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Parra-Medina R, Guerron-Gomez G, Mendivelso-Gonz\u00e1lez D, et al.\u00a0Deep learning in histopathology images for prediction of oncogenic driver molecular alterations in lung cancer: a systematic review and meta-analysis. Transl Lung Cancer Res. 2025;14(5):1756-1769. https:\/\/doi.org\/10.21037\/tlcr-2024-1196 (consultado el 13 de julio de 2026).<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Deep learning model shows pathologist-level detection of sentinel node metastasis of melanoma and intra-nodal nevi on whole slide images. Front Med (Lausanne). 2024;11:1418013. https:\/\/doi.org\/10.3389\/fmed.2024.1418013 (consultado el 13 de julio de 2026).<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Medical Device Coordination Group (MDCG). MDCG 2019-11 Rev.1. Guidance on qualification and classification of software in Regulation (EU) 2017\/745 \u2013 MDR and Regulation (EU) 2017\/746 \u2013 IVDR. Bruselas: Comisi\u00f3n Europea; 2025. https:\/\/health.ec.europa.eu\/system\/files\/2020-09\/md_mdcg_2019_11_guidance_en_0.pdf (consultado el 13 de julio de 2026).<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Aubreville M, Stathonikos N, Bertram CA, et al.\u00a0Mitosis domain generalization in histopathology images \u2014 the MIDOG challenge. Med Image Anal. 2023;84:102699. https:\/\/doi.org\/10.1016\/j.media.2022.102699 (consultado el 13 de julio de 2026).<\/span><\/li>\n<\/ol>","protected":false},"excerpt":{"rendered":"<p>Quienes nos dedicamos a la anatom\u00eda patol\u00f3gica venimos asistiendo, en los \u00faltimos a\u00f1os, a uno de los cambios m\u00e1s profundos que ha vivido nuestra especialidad desde la introducci\u00f3n de la inmunohistoqu\u00edmica. La patolog\u00eda digital (la sustituci\u00f3n progresiva del cristal y el microscopio \u00f3ptico por im\u00e1genes digitalizadas de portaobjetos completos (whole slide imaging, WSI)) est\u00e1 abriendo [&hellip;]<\/p>","protected":false},"author":1,"featured_media":3534,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-3531","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-blog"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v25.2 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>IA en patolog\u00eda digital: c\u00f3mo transforma los hospitales<\/title>\n<meta name=\"description\" content=\"An\u00e1lisis riguroso del impacto de la IA en patolog\u00eda digital: precisi\u00f3n, reducci\u00f3n de tiempos, aplicaciones reales en oncolog\u00eda y marco regulatorio europeo.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/cells-ia.com\/en\/inteligencia-artificial-transformando-patologia-digital-en-hospitales\/\" \/>\n<meta property=\"og:locale\" content=\"en_US\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"IA en patolog\u00eda digital: c\u00f3mo transforma los hospitales\" \/>\n<meta property=\"og:description\" content=\"An\u00e1lisis riguroso del impacto de la IA en patolog\u00eda digital: precisi\u00f3n, reducci\u00f3n de tiempos, aplicaciones reales en oncolog\u00eda y marco regulatorio europeo.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/cells-ia.com\/en\/inteligencia-artificial-transformando-patologia-digital-en-hospitales\/\" \/>\n<meta property=\"og:site_name\" content=\"CELLS IA\" \/>\n<meta property=\"article:published_time\" content=\"2026-07-24T12:12:49+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-07-24T13:12:56+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/cells-ia.com\/wp-content\/uploads\/2026\/07\/ia-patologia-digital-en-hospitales.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"760\" \/>\n\t<meta property=\"og:image:height\" content=\"401\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"oscar\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data1\" content=\"oscar\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data2\" content=\"18 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/cells-ia.com\/inteligencia-artificial-transformando-patologia-digital-en-hospitales\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/cells-ia.com\/inteligencia-artificial-transformando-patologia-digital-en-hospitales\/\"},\"author\":{\"name\":\"oscar\",\"@id\":\"https:\/\/cells-ia.com\/#\/schema\/person\/2c3ec7a301cbbeb7696a6f92641d72dd\"},\"headline\":\"C\u00f3mo la inteligencia artificial est\u00e1 transformando la patolog\u00eda digital en hospitales\",\"datePublished\":\"2026-07-24T12:12:49+00:00\",\"dateModified\":\"2026-07-24T13:12:56+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/cells-ia.com\/inteligencia-artificial-transformando-patologia-digital-en-hospitales\/\"},\"wordCount\":4197,\"publisher\":{\"@id\":\"https:\/\/cells-ia.com\/#organization\"},\"image\":{\"@id\":\"https:\/\/cells-ia.com\/inteligencia-artificial-transformando-patologia-digital-en-hospitales\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/cells-ia.com\/wp-content\/uploads\/2026\/07\/ia-patologia-digital-en-hospitales.jpg\",\"articleSection\":[\"Blog\"],\"inLanguage\":\"en-US\"},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/cells-ia.com\/inteligencia-artificial-transformando-patologia-digital-en-hospitales\/\",\"url\":\"https:\/\/cells-ia.com\/inteligencia-artificial-transformando-patologia-digital-en-hospitales\/\",\"name\":\"IA en patolog\u00eda digital: c\u00f3mo transforma los hospitales\",\"isPartOf\":{\"@id\":\"https:\/\/cells-ia.com\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\/\/cells-ia.com\/inteligencia-artificial-transformando-patologia-digital-en-hospitales\/#primaryimage\"},\"image\":{\"@id\":\"https:\/\/cells-ia.com\/inteligencia-artificial-transformando-patologia-digital-en-hospitales\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/cells-ia.com\/wp-content\/uploads\/2026\/07\/ia-patologia-digital-en-hospitales.jpg\",\"datePublished\":\"2026-07-24T12:12:49+00:00\",\"dateModified\":\"2026-07-24T13:12:56+00:00\",\"description\":\"An\u00e1lisis riguroso del impacto de la IA en patolog\u00eda digital: precisi\u00f3n, reducci\u00f3n de tiempos, aplicaciones reales en oncolog\u00eda y marco regulatorio europeo.\",\"breadcrumb\":{\"@id\":\"https:\/\/cells-ia.com\/inteligencia-artificial-transformando-patologia-digital-en-hospitales\/#breadcrumb\"},\"inLanguage\":\"en-US\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/cells-ia.com\/inteligencia-artificial-transformando-patologia-digital-en-hospitales\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\/\/cells-ia.com\/inteligencia-artificial-transformando-patologia-digital-en-hospitales\/#primaryimage\",\"url\":\"https:\/\/cells-ia.com\/wp-content\/uploads\/2026\/07\/ia-patologia-digital-en-hospitales.jpg\",\"contentUrl\":\"https:\/\/cells-ia.com\/wp-content\/uploads\/2026\/07\/ia-patologia-digital-en-hospitales.jpg\",\"width\":760,\"height\":401,\"caption\":\"ia-patologia-digital-en-hospitales\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/cells-ia.com\/inteligencia-artificial-transformando-patologia-digital-en-hospitales\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Portada\",\"item\":\"https:\/\/cells-ia.com\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"C\u00f3mo la inteligencia artificial est\u00e1 transformando la patolog\u00eda digital en hospitales\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/cells-ia.com\/#website\",\"url\":\"https:\/\/cells-ia.com\/\",\"name\":\"CELLS IA\",\"description\":\"\",\"publisher\":{\"@id\":\"https:\/\/cells-ia.com\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/cells-ia.com\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"en-US\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/cells-ia.com\/#organization\",\"name\":\"CELLS IA\",\"url\":\"https:\/\/cells-ia.com\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\/\/cells-ia.com\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/cells-ia.com\/wp-content\/uploads\/2024\/04\/cellslogo.svg\",\"contentUrl\":\"https:\/\/cells-ia.com\/wp-content\/uploads\/2024\/04\/cellslogo.svg\",\"width\":150,\"height\":36,\"caption\":\"CELLS IA\"},\"image\":{\"@id\":\"https:\/\/cells-ia.com\/#\/schema\/logo\/image\/\"},\"sameAs\":[\"https:\/\/es.linkedin.com\/company\/cellsia\"]},{\"@type\":\"Person\",\"@id\":\"https:\/\/cells-ia.com\/#\/schema\/person\/2c3ec7a301cbbeb7696a6f92641d72dd\",\"name\":\"oscar\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\/\/cells-ia.com\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/secure.gravatar.com\/avatar\/813cb308f4f3fd309954dd3ccfe8717cebd83a03acfaf4d55fde5501ed7fbe7d?s=96&d=mm&r=g\",\"contentUrl\":\"https:\/\/secure.gravatar.com\/avatar\/813cb308f4f3fd309954dd3ccfe8717cebd83a03acfaf4d55fde5501ed7fbe7d?s=96&d=mm&r=g\",\"caption\":\"oscar\"},\"sameAs\":[\"https:\/\/cells-ia.com\"],\"url\":\"https:\/\/cells-ia.com\/en\/author\/oscar\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"IA en patolog\u00eda digital: c\u00f3mo transforma los hospitales","description":"An\u00e1lisis riguroso del impacto de la IA en patolog\u00eda digital: precisi\u00f3n, reducci\u00f3n de tiempos, aplicaciones reales en oncolog\u00eda y marco regulatorio europeo.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/cells-ia.com\/en\/inteligencia-artificial-transformando-patologia-digital-en-hospitales\/","og_locale":"en_US","og_type":"article","og_title":"IA en patolog\u00eda digital: c\u00f3mo transforma los hospitales","og_description":"An\u00e1lisis riguroso del impacto de la IA en patolog\u00eda digital: precisi\u00f3n, reducci\u00f3n de tiempos, aplicaciones reales en oncolog\u00eda y marco regulatorio europeo.","og_url":"https:\/\/cells-ia.com\/en\/inteligencia-artificial-transformando-patologia-digital-en-hospitales\/","og_site_name":"CELLS IA","article_published_time":"2026-07-24T12:12:49+00:00","article_modified_time":"2026-07-24T13:12:56+00:00","og_image":[{"width":760,"height":401,"url":"https:\/\/cells-ia.com\/wp-content\/uploads\/2026\/07\/ia-patologia-digital-en-hospitales.jpg","type":"image\/jpeg"}],"author":"oscar","twitter_card":"summary_large_image","twitter_misc":{"Written by":"oscar","Est. reading time":"18 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/cells-ia.com\/inteligencia-artificial-transformando-patologia-digital-en-hospitales\/#article","isPartOf":{"@id":"https:\/\/cells-ia.com\/inteligencia-artificial-transformando-patologia-digital-en-hospitales\/"},"author":{"name":"oscar","@id":"https:\/\/cells-ia.com\/#\/schema\/person\/2c3ec7a301cbbeb7696a6f92641d72dd"},"headline":"C\u00f3mo la inteligencia artificial est\u00e1 transformando la patolog\u00eda digital en hospitales","datePublished":"2026-07-24T12:12:49+00:00","dateModified":"2026-07-24T13:12:56+00:00","mainEntityOfPage":{"@id":"https:\/\/cells-ia.com\/inteligencia-artificial-transformando-patologia-digital-en-hospitales\/"},"wordCount":4197,"publisher":{"@id":"https:\/\/cells-ia.com\/#organization"},"image":{"@id":"https:\/\/cells-ia.com\/inteligencia-artificial-transformando-patologia-digital-en-hospitales\/#primaryimage"},"thumbnailUrl":"https:\/\/cells-ia.com\/wp-content\/uploads\/2026\/07\/ia-patologia-digital-en-hospitales.jpg","articleSection":["Blog"],"inLanguage":"en-US"},{"@type":"WebPage","@id":"https:\/\/cells-ia.com\/inteligencia-artificial-transformando-patologia-digital-en-hospitales\/","url":"https:\/\/cells-ia.com\/inteligencia-artificial-transformando-patologia-digital-en-hospitales\/","name":"IA en patolog\u00eda digital: c\u00f3mo transforma los hospitales","isPartOf":{"@id":"https:\/\/cells-ia.com\/#website"},"primaryImageOfPage":{"@id":"https:\/\/cells-ia.com\/inteligencia-artificial-transformando-patologia-digital-en-hospitales\/#primaryimage"},"image":{"@id":"https:\/\/cells-ia.com\/inteligencia-artificial-transformando-patologia-digital-en-hospitales\/#primaryimage"},"thumbnailUrl":"https:\/\/cells-ia.com\/wp-content\/uploads\/2026\/07\/ia-patologia-digital-en-hospitales.jpg","datePublished":"2026-07-24T12:12:49+00:00","dateModified":"2026-07-24T13:12:56+00:00","description":"An\u00e1lisis riguroso del impacto de la IA en patolog\u00eda digital: precisi\u00f3n, reducci\u00f3n de tiempos, aplicaciones reales en oncolog\u00eda y marco regulatorio europeo.","breadcrumb":{"@id":"https:\/\/cells-ia.com\/inteligencia-artificial-transformando-patologia-digital-en-hospitales\/#breadcrumb"},"inLanguage":"en-US","potentialAction":[{"@type":"ReadAction","target":["https:\/\/cells-ia.com\/inteligencia-artificial-transformando-patologia-digital-en-hospitales\/"]}]},{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/cells-ia.com\/inteligencia-artificial-transformando-patologia-digital-en-hospitales\/#primaryimage","url":"https:\/\/cells-ia.com\/wp-content\/uploads\/2026\/07\/ia-patologia-digital-en-hospitales.jpg","contentUrl":"https:\/\/cells-ia.com\/wp-content\/uploads\/2026\/07\/ia-patologia-digital-en-hospitales.jpg","width":760,"height":401,"caption":"ia-patologia-digital-en-hospitales"},{"@type":"BreadcrumbList","@id":"https:\/\/cells-ia.com\/inteligencia-artificial-transformando-patologia-digital-en-hospitales\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Portada","item":"https:\/\/cells-ia.com\/"},{"@type":"ListItem","position":2,"name":"C\u00f3mo la inteligencia artificial est\u00e1 transformando la patolog\u00eda digital en hospitales"}]},{"@type":"WebSite","@id":"https:\/\/cells-ia.com\/#website","url":"https:\/\/cells-ia.com\/","name":"CELLS IA","description":"","publisher":{"@id":"https:\/\/cells-ia.com\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/cells-ia.com\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"en-US"},{"@type":"Organization","@id":"https:\/\/cells-ia.com\/#organization","name":"CELLS IA","url":"https:\/\/cells-ia.com\/","logo":{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/cells-ia.com\/#\/schema\/logo\/image\/","url":"https:\/\/cells-ia.com\/wp-content\/uploads\/2024\/04\/cellslogo.svg","contentUrl":"https:\/\/cells-ia.com\/wp-content\/uploads\/2024\/04\/cellslogo.svg","width":150,"height":36,"caption":"CELLS IA"},"image":{"@id":"https:\/\/cells-ia.com\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/es.linkedin.com\/company\/cellsia"]},{"@type":"Person","@id":"https:\/\/cells-ia.com\/#\/schema\/person\/2c3ec7a301cbbeb7696a6f92641d72dd","name":"oscar","image":{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/cells-ia.com\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/813cb308f4f3fd309954dd3ccfe8717cebd83a03acfaf4d55fde5501ed7fbe7d?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/813cb308f4f3fd309954dd3ccfe8717cebd83a03acfaf4d55fde5501ed7fbe7d?s=96&d=mm&r=g","caption":"oscar"},"sameAs":["https:\/\/cells-ia.com"],"url":"https:\/\/cells-ia.com\/en\/author\/oscar\/"}]}},"_links":{"self":[{"href":"https:\/\/cells-ia.com\/en\/wp-json\/wp\/v2\/posts\/3531","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/cells-ia.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/cells-ia.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/cells-ia.com\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/cells-ia.com\/en\/wp-json\/wp\/v2\/comments?post=3531"}],"version-history":[{"count":3,"href":"https:\/\/cells-ia.com\/en\/wp-json\/wp\/v2\/posts\/3531\/revisions"}],"predecessor-version":[{"id":3538,"href":"https:\/\/cells-ia.com\/en\/wp-json\/wp\/v2\/posts\/3531\/revisions\/3538"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/cells-ia.com\/en\/wp-json\/wp\/v2\/media\/3534"}],"wp:attachment":[{"href":"https:\/\/cells-ia.com\/en\/wp-json\/wp\/v2\/media?parent=3531"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/cells-ia.com\/en\/wp-json\/wp\/v2\/categories?post=3531"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/cells-ia.com\/en\/wp-json\/wp\/v2\/tags?post=3531"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}