[{"data":1,"prerenderedAt":61},["ShallowReactive",2],{"post-ia-autoexplicativa-clasificacion-linfoma-no-hodgkin-celulas-b-flowxai":3},{"id":4,"documentId":5,"Title":6,"Author":7,"URL":8,"Publication_date":9,"Hashtags":10,"Content":11,"createdAt":12,"updatedAt":13,"publishedAt":14,"Summary":15,"title_Url":16,"specialty":17,"Image":18},539,"dlelwjqkn218fw8g3tuzd05b","Inteligencia artificial autoexplicativa para la clasificación del linfoma no Hodgkin de células B: un estudio de apoyo a la toma de decisiones diagnósticas","Michael C. Thrun","https:\u002F\u002Fjournals.plos.org\u002Fplosmedicine\u002Farticle?id=10.1371\u002Fjournal.pmed.1004889","2026-07-13","#Hematologia #Patologia #CitometriaDeFlujo #InteligenciaArtificial #DecisionClinica","por Michael C. Thrun, Jörg Hoffmann, Stefan W. Krause, Peter Krawitz, Quirin Stier, Andreas Neubauer, Cornelia Brendel, Alfred Ultsch\n\nAntecedentes Multiparameter flow cytometry is a cornerstone of B cell non-Hodgkin lymphoma (B-NHL) diagnostics, but interpretation requires substantial expertise and is complicated by high-dimensional data, variable sample quality, limited data for rare entities, and evolving clinical classification systems. Current artificial intelligence approaches often require large training datasets and provide limited insight into the rationale behind individual diagnostic decisions.\n\nMétodos y hallazgos Desarrollamos FlowXAI, un sistema de inteligencia artificial autoexplicativo diseñado para apoyar la clasificación de B-NHL mientras informa explícitamente la confiabilidad diagnóstica a nivel de cada caso. FlowXAI combina un análisis estructural no supervisado con un marco diagnóstico multinivel, motivado clínicamente, que refleja las prioridades diagnósticas de la práctica habitual. Un procedimiento no supervisado de Tile Mining (TM) realiza una evaluación prediagnóstica de la calidad de la muestra mediante la identificación de muestras estructuralmente atípicas. El TM se aplica para filtrar los datos de entrenamiento, lo que permite una reducción sustancial de los requisitos de entrenamiento, al tiempo que se preserva una evaluación imparcial en muestras de prueba independientes. FlowXAI se evaluó mediante validación cruzada repetida en 19,493 muestras de sangre periférica y se evaluó adicionalmente en un conjunto de referencia externo e independiente generado en otro centro diagnóstico utilizando un panel de anticuerpos diferente. En los distintos niveles diagnósticos, FlowXAI logró un rendimiento comparable al de un sistema basado en aprendizaje profundo, pese a requerir aproximadamente dos órdenes de magnitud menos muestras de entrenamiento. Cuando el sistema clasificó las predicciones como confiables mediante su autoevaluación interna, el desempeño diagnóstico superó al del comparador basado en redes neuronales. El análisis estructural no supervisado demostró una separación clara entre controles normales y algunas entidades de linfoma seleccionadas, como los linfomas similares a la leucemia linfocítica crónica y la leucemia de células pilosas, mientras que otras entidades no fueron claramente separables con los paneles de anticuerpos estudiados.\n\nConclusiones FlowXAI ofrece un apoyo preciso, eficiente en el uso de datos y transparente para el inmunofenotipado de B-NHL a partir de datos de citometría de flujo no estandarizados. Al combinar una lógica de decisión interpretable con una autoevaluación explícita, FlowXAI proporciona un marco clínicamente significativo para el apoyo diagnóstico y la capacitación, en particular en entornos con disponibilidad limitada de expertos o con subtipos raros de linfoma. La principal limitación es la evaluación retrospectiva utilizando paneles de anticuerpos específicos, y FlowXAI requiere validación prospectiva como herramienta de apoyo a la decisión dentro de flujos de trabajo diagnósticos integrados.","2026-08-17T19:55:48.176Z","2026-08-17T19:55:48.317Z","2026-08-17T19:55:48.323Z","La citometría de flujo es clave en el diagnóstico de linfomas B, pero su interpretación exige alta experiencia y se enfrenta a datos complejos, calidad variable de muestras y entidades raras. Este estudio presenta FlowXAI, una IA autoexplicativa que clasifica y comunica la confiabilidad diagnóstica a nivel de cada caso, además de detectar muestras atípicas para evaluar su calidad. Evaluado en casi 20,000 muestras y con validación externa, FlowXAI logró un desempeño comparable a modelos de aprendizaje profundo, pero con muchas menos muestras de entrenamiento. La principal limitación es la necesidad de validación prospectiva e integración en flujos diagnósticos reales.","ia-autoexplicativa-clasificacion-linfoma-no-hodgkin-celulas-b-flowxai","Hematología",{"id":19,"documentId":20,"name":21,"alternativeText":22,"caption":22,"width":23,"height":23,"formats":24,"hash":55,"ext":28,"mime":29,"size":56,"url":57,"previewUrl":22,"provider":58,"provider_metadata":22,"createdAt":59,"updatedAt":59,"publishedAt":60},178,"mbgkow2o2ci6nk85nz59lxbq","image.png",null,1024,{"thumbnail":25,"small":34,"medium":41,"large":48},{"name":26,"hash":27,"ext":28,"mime":29,"path":22,"width":30,"height":30,"size":31,"sizeInBytes":32,"url":33},"thumbnail_image.png","thumbnail_image_b800307b51",".png","image\u002Fpng",156,46.71,46713,"\u002Fuploads\u002Fthumbnail_image_b800307b51.png",{"name":35,"hash":36,"ext":28,"mime":29,"path":22,"width":37,"height":37,"size":38,"sizeInBytes":39,"url":40},"small_image.png","small_image_b800307b51",500,395.61,395609,"\u002Fuploads\u002Fsmall_image_b800307b51.png",{"name":42,"hash":43,"ext":28,"mime":29,"path":22,"width":44,"height":44,"size":45,"sizeInBytes":46,"url":47},"medium_image.png","medium_image_b800307b51",750,869.22,869218,"\u002Fuploads\u002Fmedium_image_b800307b51.png",{"name":49,"hash":50,"ext":28,"mime":29,"path":22,"width":51,"height":51,"size":52,"sizeInBytes":53,"url":54},"large_image.png","large_image_b800307b51",1000,1426.76,1426755,"\u002Fuploads\u002Flarge_image_b800307b51.png","image_b800307b51",374.17,"\u002Fuploads\u002Fimage_b800307b51.png","local","2026-08-17T19:55:48.035Z","2026-08-17T19:55:48.036Z",1787582247255]