La inteligencia artificial está transformando uno de los mayores desafíos médicos para las mujeres: el diagnóstico de la endometriosis. Nuevos estudios muestran cómo distintos sistemas basados en IA permiten detectar signos clave de la enfermedad con mayor rapidez y precisión.
La endometriosis es una enfermedad inflamatoria crónica que afecta a cerca del 10% de las mujeres en edad fértil. Se caracteriza por la presencia de tejido similar al endometrio fuera del útero, generando dolor pélvico, infertilidad, fatiga y, en muchos casos, graves trastornos emocionales.
A pesar de su alta prevalencia, el diagnóstico puede tardar hasta 12 años, debido a la inespecificidad de los síntomas y la limitada disponibilidad de métodos no invasivos confiables. Esta demora prolongada repercute negativamente en la calidad de vida de las pacientes y en los sistemas sanitarios.
La IA entra en escena: de la cirugía invasiva a los diagnósticos asistidos por algoritmos
Durante décadas, el diagnóstico definitivo se basó en la laparoscopía, una técnica quirúrgica que, aunque efectiva, implica riesgos, costos y accesibilidad limitada. Las pruebas por imagen, como la ecografía o la resonancia magnética (RM), ofrecen algunas pistas, pero requieren experiencia clínica y presentan importantes limitaciones en sensibilidad y especificidad.
En este contexto, la inteligencia artificial (IA) emerge como una herramienta disruptiva que puede automatizar, acelerar y refinar el proceso diagnóstico, ya sea desde imágenes médicas, análisis histológicos o incluso cuestionarios de autoevaluación.
Estudios científicos recientes —publicados entre 2023 y 2025 en revistas como Physics in Medicine & Biology, Human Reproduction o Scientific Reports— exploran cómo la IA puede mejorar radicalmente el diagnóstico de la endometriosis.
Cada investigación ofrece un enfoque diferente: desde la colaboración humano-máquina en RM, hasta modelos autoentrenados con síntomas clínicos o detección de fibrosis mediante análisis celular. El siguiente compendio de estudios muestra algunos de los avances actuales y su potencial para transformar la atención médica.
Diagnóstico colaborativo con IA y el signo del fondo de saco
Uno de los principales retos en el diagnóstico de la endometriosis mediante RM es la identificación precisa del fondo de saco de Douglas obliterado, un signo característico que incluso expertos médicos tienen dificultades para reconocer de forma consistente. Esta variabilidad en las evaluaciones clínicas obstaculiza el entrenamiento de modelos de inteligencia artificial eficaces.
Para resolver este problema, investigadores del equipo IMAGENDO de la University of Adelaide y el Australian Institute for Machine Learning (AIML) desarrollaron el sistema HAICOMM (Human–AI Collaborative Multi-modal Multi-rater Learning). Este modelo combina tres elementos innovadores: aprendizaje multietiqueta para depurar etiquetas clínicas inconsistentes, uso de imágenes T1 y T2 de RM como entrada multimodal, y un enfoque colaborativo entre médicos e inteligencia artificial.
El modelo resultante (publicado Physics in Medicine & Biology en diciembre de 2024) supera con claridad tanto a los médicos por separado como a otros algoritmos.
HAICOMM demostró una precisión superior al integrar las predicciones clínicas con el análisis del modelo entrenado. Además, su enfoque multimodal permitió aprovechar al máximo la información contenida en las distintas modalidades de imagen, mejorando la detección de estructuras ocultas o difusas.
Según los investigadores, el siguiente paso es integrar esta tecnología al algoritmo IMAGENDO ya existente, que suma datos de ultrasonido y RM para ofrecer un diagnóstico más completo. También se busca expandir la detección hacia otras lesiones relevantes como endometriomas, nódulos en intestino o afectación de ligamentos uterosacros.
Del corazón al útero: un algoritmo adaptado para ecografía ginecológica
El diagnóstico de la endometriosis a través de ecografía transvaginal es posible, pero requiere mucha experiencia médica. Por esta razón, un equipo suizo liderado por Fabian Laumer y Michael Bajka ha desarrollado un algoritmo basado en inteligencia artificial que analiza imágenes de ultrasonido del útero, ayudando a los médicos en la interpretación diagnóstica, incluso en etapas tempranas de la enfermedad.
La tecnología fue desarrollada como parte de la startup Scanvio, surgida del ETH AI Center. El algoritmo puede detectar detalles imperceptibles para el ojo humano, y está en fase de evolución hacia la construcción de modelos 3D del útero que muestren con claridad la ubicación y extensión de las lesiones endometriósicas.
Laumer adaptó un algoritmo inicialmente diseñado para interpretar imágenes de ecocardiograma y lo aplicó al diagnóstico de endometriosis mediante ecografías del útero. Este desarrollo representa una reutilización creativa de tecnologías médicas basadas en IA.
Uno de sus avances clave es la estandarización del examen ecográfico, guiando activamente al profesional para asegurar que se visualice todo el órgano.
Además de mejorar la precisión, esta solución busca reducir la necesidad de laparoscopías y permitir diagnósticos más tempranos y menos invasivos.
El algoritmo fue entrenado con datos clínicos reales, teniendo en cuenta variables como número de partos, cesáreas, edad o fase del ciclo menstrual, lo que permite ajustar la interpretación de la ecografía a la realidad biológica de cada paciente. Uno de sus logros actuales es la posibilidad de resaltar zonas sospechosas en las imágenes bidimensionales con color, facilitando la lectura por parte de los ginecólogos.
Detección automatizada de células y tejidos: segmentación histológica con IA
Además de las imágenes médicas, la inteligencia artificial también puede analizar tejidos endometriósicos tras su extracción quirúrgica. En un estudio liderado por investigadores del Radboud University Medical Center (Países Bajos) y publicado en marzo de 2025 en Human Reproduction, se desarrolló un protocolo de análisis histológico que combina tinción multiplex, aprendizaje automático y un modelo profundo llamado ImmuNet para identificar estructuras celulares relevantes en lesiones de endometriosis.
El protocolo incluyó muestras de nueve pacientes con distintos subtipos (lesiones profundas, endometriomas y peritoneales superficiales). La IA permitió distinguir con precisión epitelio, estroma y tejido fibrótico, además de cuantificar células inmunes CD45+ y su proliferación mediante el marcador Ki67.
Esta segmentación por tejido permite entender mejor la arquitectura interna de cada lesión y su relación con el dolor crónico y la progresión de la enfermedad.
Uno de los hallazgos más relevantes fue la alta proporción de tejido fibrótico en todas las muestras, lo cual refuerza la hipótesis de que la fibrosis juega un papel clave en la sintomatología dolorosa.
Además, el sistema ImmuNet —entrenado originalmente en tumores— demostró ser robusto para identificar células inmunitarias en tejido endometriósico sin necesidad de ajustes, lo que muestra su potencial para ser aplicado en otros contextos histológicos heterogéneos.
Autoevaluación sintomática con IA: modelos predictivos entrenados con cuestionarios
Una de las vías más prometedoras para reducir el tiempo hasta el diagnóstico de endometriosis es permitir que las propias pacientes participen activamente en su detección inicial. Con este objetivo, un grupo de investigadoras desarrolló un sistema de autoevaluación basado en inteligencia artificial entrenado exclusivamente con síntomas autorreportados.
Este estudio, publicado en Scientific Reports (2023), es pionero porque no se centra en datos de pacientes ya diagnosticadas en fases avanzadas, sino que trabaja con información de mujeres que acudieron a consulta por síntomas tempranos, permitiendo entrenar modelos desde la etapa de sospecha.
Mediante cuestionarios digitales y algoritmos de aprendizaje automático, se construyó un modelo capaz de predecir endometriosis con una sensibilidad del 93% y especificidad del 95%, una cifra muy alta para herramientas sin pruebas físicas ni imágenes médicas.
El modelo está diseñado para ser incorporado en plataformas digitales accesibles, como sitios web o apps móviles. Su principal valor está en su capacidad de dirigir a mujeres con alta probabilidad de endometriosis a una consulta médica oportuna, acortando drásticamente el proceso diagnóstico. Además, el análisis permitió identificar qué síntomas tienen más valor predictivo, aportando nueva información clínica útil para los profesionales de la salud.
Panorama actual y desafíos en las aplicaciones de IA para imágenes de endometriosis
El uso de inteligencia artificial en el diagnóstico por imagen de la endometriosis está en sus primeras etapas, pero los avances recientes ya sugieren un cambio de paradigma en este ámbito clínico. Así lo plantea una revisión publicada en Abdominal Radiology en abril de 2025 por especialistas del Mayo Clinic, Stanford y la Universidad de New York.
El artículo resume el estado actual de la investigación y aplicación de modelos de IA en el análisis de imágenes por ultrasonido y resonancia magnética para el diagnóstico de endometriosis. Aunque los estudios existentes muestran resultados prometedores, el campo enfrenta importantes limitaciones metodológicas y técnicas que deben superarse para lograr una adopción clínica más amplia.
La mayoría de los estudios actuales utilizan datos de ultrasonido, especialmente ecografía transvaginal, para detectar lesiones profundas, como implantes infiltrantes, endometriomas o signos indirectos como el engrosamiento de ligamentos. Algunas investigaciones también exploran la detección de adenomiomas u otras alteraciones estructurales.
Del algoritmo a la consulta médica
En menor medida, se han aplicado modelos de IA al análisis de RM para segmentación de lesiones o clasificación de enfermedad. Además, algunos enfoques recientes integran datos de imagen con datos clínicos, como síntomas o antecedentes, lo que apunta hacia métodos multimodales de mayor precisión diagnóstica. No obstante, esta integración sigue siendo experimental.
El principal desafío señalado por los autores es la falta de generalización y estandarización de los modelos actuales. La mayoría de los estudios revisados emplean conjuntos de datos pequeños, retrospectivos y procedentes de un solo centro, lo que limita la validez externa.
Además, existe una ausencia de un “estándar de referencia” consistente, es decir, una base sólida y consensuada para validar los hallazgos automatizados. Muchos modelos también están diseñados para tareas diagnósticas muy específicas, sin contemplar la heterogeneidad clínica de la enfermedad.
Los autores concluyen que, para avanzar en el desarrollo y aplicación de la IA en imagenología de endometriosis, es urgente aumentar el tamaño de los datasets, fomentar la colaboración entre centros y establecer criterios de evaluación más rigurosos y reproducibles.
Referencias
- Mittal S, Tong A, Young SW, Jha P. Artificial intelligence applications in endometriosis imaging. Abdom Radiol. (2025) doi:10.1007/s00261-025-04897-w
- Korman SE, Vissers G, Gorris MAJG, et al. Artificial intelligence-based tissue segmentation and cell identification in multiplex-stained histological endometriosis sections. Hum Reprod. (2025). doi:10.1093/humrep/deae267
- Wang H, Zhang Y, et al. Human–AI collaborative multi-modal multi-rater learning for endometriosis diagnosis. Phys Med Biol. (2024) doi:10.1088/1361-6560/ad997e
- Inken de Wit. Scanvio AG. Faster diagnosis of endometriosis with AI. ETH Zurich. (2024). https://ethz.ch/en/news-and-events/eth-news/news/2024/03/faster-diagnosis-of-endometriosis-with-ai.html
- Wang, Hu, et al. Human–AI collaborative multi-modal multi-rater learning for endometriosis diagnosis. Physics in Medicine & Biology. (2024). doi: 10.1177/17455057241248121
- Moro, F., et al. Application of artificial intelligence to ultrasound imaging for benign gynecological disorders: systematic review. Ultrasound in Obstetrics & Gynecology (2025). doi: 10.1002/uog.29171
- Goldstein, Anat, and Shani Cohen. Self-report symptom-based endometriosis prediction using machine learning. Scientific Report. (2023): doi: 1041598-023-32761-8
