European Renal Association (ERA): Cobertura especial
Inteligencia Artificial en nefropatología: potencial transformador y límites actuales
Datos de la sesión
Congreso: ERA 2026
Curso: CME 9 – Artificial intelligence for Nephrologists
Fecha: 3 de junio de 2026
Sala: Hall 1
Moderadores: Claudia Torino y Olivier Aubert
Bloques cubiertos:
1. PRO: AI is revolutionizing pathology – Esteban Cortes García
2. CON: AI cannot replace human expertise – Candice Roufosse
3. Discusión
Resumen ejecutivo
La sesión presentó un debate balanceado sobre IA en nefropatología.
Desde la perspectiva PRO, Esteban Cortes García planteó que la IA ya está transformando la patología renal al convertir imágenes histológicas en datos cuantitativos, reproducibles y predictivos. Su foco fue segmentación, clasificación, cuantificación continua, predicción de desenlaces e integración molecular.
Desde la perspectiva CON, Candice Roufosse argumentó que la IA todavía no puede reemplazar al especialista de patología renal, porque el diagnóstico exige integrar clínica, múltiples tinciones, inmunofluorescencia, microscopía electrónica, calidad de muestra, enfermedades raras y discusión multidisciplinaria.
La síntesis práctica fue que la IA probablemente aumentará la capacidad del especialista de patología más que reemplazarlo. Su valor inmediato está en cuantificar, estandarizar, priorizar, predecir y generar hipótesis, con validación clínica rigurosa.
1. Sesión PRO: AI is revolutionizing pathology
Speaker: Esteban Cortes García
Tesis principal de la sesión PRO
Cortes García sostuvo que la IA está cambiando cómo se mide, define y conceptualiza la enfermedad renal. La patología digital no sería solo una herramienta adicional, sino un cambio hacia una nefropatología más cuantitativa, reproducible, predictiva y multimodal.
La IA se vuelve relevante porque una biopsia renal concentra inflamación, fibrosis, daño vascular, infiltrados inmunes, reparación tisular y datos clínicos, inmunológicos, moleculares y transcriptómicos que exceden la integración intuitiva humana [Barisoni et al., 2020; Hölscher et al., 2025].
1.1. De la interpretación visual a la cuantificación estructurada
El speaker remarcó que la biología renal es continua, mientras que los sistemas histológicos, como Banff, la convierten en categorías ordinales. Desde la visión PRO, la IA permite complementar esos scores con mediciones continuas, absolutas y espacialmente localizadas, en línea con el concepto de pathomics [Hölscher et al., 2025].
1.2. Aplicaciones presentadas por Cortes García
La presentación PRO organizó el potencial de la IA en cinco aplicaciones:
1. Segmentación de estructuras renales.
2. Clasificación diagnóstica o prediagnóstica.
3. Cuantificación continua de lesiones.
4. Predicción de desenlaces clínicos.
5. Integración con datos moleculares y transcriptómicos.
Estas aplicaciones coinciden con los usos principales descritos para IA en nefropatología: whole-slide images, segmentación tisular, clasificación, predicción pronóstica y biomarcadores morfológicos [Barisoni et al., 2020; Becker et al., 2020].
1.3. Segmentación: volver legible el tejido para la máquina
El primer ejemplo fue la segmentación automática de estructuras como glomérulos, túbulos, vasos e intersticio. Se presentó un estudio con arquitectura U-Net, mencionado como Hermsen/Hermstein y colegas, con segmentación multicategoría y Dice score ponderado alrededor de 0,80–0,84. La referencia exacta quedó incompleta, pero la aplicación coincide con áreas maduras de IA renal, como detección y clasificación de compartimentos tisulares [Girolami et al., 2022].
Mensaje PRO: la segmentación transforma la arquitectura renal en mapas cuantitativos y reproducibles.
1.4. Clasificación: apoyo al triage diagnóstico en trasplante renal
El estudio de Kers et al., mencionado durante la sesión, evaluó deep learning en 5.844 whole-slide images de biopsias de injerto renal de 1.948 pacientes. El modelo exploró la preclasificación de biopsias como normal, rechazo u otras enfermedades, con mejor desempeño para distinguir tejido normal de tejido enfermo que para separar rechazo de otras patologías [Kers et al., 2021].
Mensaje PRO: la IA puede priorizar biopsias, orientar regiones relevantes mediante heatmaps y apoyar el flujo diagnóstico.
1.5. Cuantificación continua de lesiones
La IA permite cuantificar inflamación, fibrosis o atrofia tubular como variables continuas, con localización y distribución espacial. Esto puede mejorar reproducibilidad en ensayos clínicos, seguimiento longitudinal y objetivos histológicos [Becker et al., 2020; Hölscher et al., 2025].
Mensaje PRO: la lesión deja de ser solo una categoría visual y se convierte en una variable biológica medible.
1.6. Predicción de desenlaces: histología como biomarcador pronóstico
Yi et al. desarrollaron modelos de deep learning para reconocer compartimentos renales normales y anormales e infiltrados leucocitarios mononucleares en biopsias de trasplante. Generaron scores digitales, como Interstitial and Tubular Abnormality Score y Composite Damage Score, asociados con pérdida del injerto y con desempeño superior a scores Banff o variables clínicas en algunos escenarios [Yi et al., 2021].
Mensaje PRO: la patología digital permite que la histología también estratifique riesgo.
1.7. IgAN: automatización de MEST-C
Cortes García presentó ejemplos en nefropatía por IgA. Según la transcripción, modelos de IA automatizaron componentes de MEST-C, con AUC entre 0,88 y 0,96 según la lesión, concordancia sustancial y asociación con objetivos de supervivencia renal [Jaugey et al, 2023].
Mensaje PRO: en IgAN, la IA podría mejorar reproducibilidad y reducir variabilidad en lesiones histológicas relevantes.
1.8. Integración molecular y patología espacial
La presentación PRO cerró con ejemplos de integración entre patología digital y biología molecular: RNA-scope, inmunofluorescencia multiplex y análisis digital de imágenes completas. Estas técnicas permiten localizar células productoras de citoquinas y mapear señales moleculares dentro del tejido renal [Barisoni et al., 2020; Song et al., 2023].
Conclusión PRO: las enfermedades renales son multimodales; los modelos también deberían serlo.
2. Sesión CON: AI cannot replace human expertise
Speaker: Candice Roufosse
Tesis principal de la sesión CON
Roufosse sostuvo que la IA puede aportar herramientas útiles, pero no reemplaza todavía al experto en patología renal. La nefropatología no se reduce a interpretar píxeles: integra microscopía óptica, inmunofluorescencia, microscopía electrónica, clínica, laboratorio, evolución temporal, calidad de muestra, artefactos, enfermedades raras y comunicación con el equipo clínico. [Becker et al., 2020; Girolami et al., 2022]
2.1. El especialista en patología renal no es un “contador de píxeles”
Muchos modelos actuales trabajan sobre una sola imagen, tinción o sección. En cambio, el diagnóstico renal exige integrar múltiples técnicas, datos clínicos, discusión con el nefrólogo y juicio sobre suficiencia de muestra. Las revisiones del campo coinciden en que el salto hacia modelos multitinción y multimodales sigue siendo un desafío [Cazzaniga et al., 2024; Becker et al., 2020].
Mensaje CON: reconocer patrones no equivale a formular un diagnóstico renal clínicamente responsable.
2.2. Barreras técnicas: inmunofluorescencia y microscopía electrónica
Roufosse destacó que la digitalización de inmunofluorescencia y microscopía electrónica sigue siendo limitada. En microscopía electrónica, la adquisición todavía depende de un operador que selecciona campos representativos, lo que dificulta una captura integral y estandarizada del material diagnóstico [Becker et al., 2020; Hölscher et al., 2025].
Mensaje CON: sin captura completa de todas las modalidades diagnósticas, el reemplazo autónomo del patólogo renal es limitado.
2.3. Correlación clínico-patológica: el caso de parvovirus
La disertante presentó un caso de injuria renal aguda con proteinuria importante que podría haber sido interpretado como glomerulonefritis rápidamente progresiva. La revisión histológica y la discusión multidisciplinaria llevaron a considerar infección por parvovirus, evitando inmunosupresión innecesaria [Kauffmann et al, 2020].
Mensaje CON: el valor del patólogo está en interpretar inconsistencias, dialogar con el nefrólogo y modificar decisiones clínicas.
2.4. Enfermedades raras y escasez de datos
Roufosse destacó el desafío de entidades raras, especialmente enfermedades asociadas a paraproteínas y depósitos monoclonales. No alcanza con buenas arquitecturas si faltan casos, anotaciones confiables y consenso diagnóstico [Cazzaniga et al., 2024; Girolami et al., 2022].
Mensaje CON: las enfermedades raras limitan el entrenamiento de modelos robustos y generalizables.
2.5. Desarrollo y despliegue: dos niveles de riesgo
Para el desarrollo, los desafíos incluyen hardware incompleto, datos escasos, ground truth imperfecto, variabilidad interobservador y dependencia de anotación experta. Para el despliegue, validación local, domain shift, revalidación ante cambios técnicos, fallas del modelo, sobreconfianza, responsabilidad legal y pérdida potencial de habilidades [Song et al., 2023; McGenity et al., 2023; Hölscher et al., 2025].
Mensaje CON: el desempeño técnico de un modelo no garantiza utilidad clínica segura.
2.6. Humano + IA no siempre es mejor
Roufosse cuestionó que combinar humano e IA necesariamente mejore el desempeño. Puede aparecer automation bias o pérdida de juicio crítico. La literatura en patología digital también exige evaluación rigurosa por heterogeneidad metodológica, riesgo de sesgo o aplicabilidad limitada [McGenity et al., 2023].
Mensaje CON: toda herramienta debe demostrar beneficio en el flujo clínico real.
2.7. IA para investigación y generación de hipótesis
La conclusión CON fue que el mayor valor de la IA quizá no sea reproducir al especialista en patología, sino descubrir patrones, generar hipótesis y vincular morfología con desenlaces o respuesta terapéutica [Barisoni et al., 2020; Song et al., 2023].
Conclusión CON: la IA puede ser transformadora como herramienta para aumentar el juicio humano y expandir la investigación, no como sustituto inmediato.
3. Discusión integrada: inteligencia artificial general
Los panelistas se mostraron escépticos respecto de que la inteligencia artificial general esté cerca. Los transformers fueron descritos como herramientas potentes para identificar regularidades en datos de alta dimensionalidad, pero no equivalentes a cognición humana.
¿Reproducir al patólogo o construir un nuevo lenguaje?
Si el gold standard humano es imperfecto, el objetivo no debería ser solo replicarlo, sino integrar histología con biomarcadores clínicos, urinarios, sanguíneos y moleculares para mejorar clasificación y predicción.
Responsabilidad y validación
La sesión remarcó que antes de cualquier implementación clínica se requiere validación estricta, especialmente por variabilidad entre centros, tinciones, scanners y poblaciones.
4. Balance final PRO vs CON
5. Implicancias para la nefrología y Mensajes Clave
La sesión deja un balance claro: la IA ya tiene impacto en investigación y patología digital renal, pero su rol clínico más realista es complementar al especialista, no reemplazarlo.
Desde la sesión PRO, la IA aparece como una herramienta capaz de transformar biopsias renales en datos cuantitativos, reproducibles y predictivos. Su utilidad inmediata se concentra en segmentación de estructuras renales, cuantificación lesional, soporte diagnóstico, estandarización de scores, predicción pronóstica e integración multimodal.
En trasplante renal, los modelos de IA muestran potencial para triage de biopsias, detección de rechazo, clasificación histológica, cuantificación de daño tisular y predicción de pérdida del injerto.
En IgAN, la automatización de MEST-C y el análisis pathomics fueron presentados como aplicaciones prometedoras para mejorar reproducibilidad e identificar subgrupos pronósticos o de respuesta terapéutica.
Desde la sesión CON, el diagnóstico renal excede la imagen: requiere clínica, múltiples técnicas, control de calidad, interpretación de artefactos, experiencia en enfermedades raras y juicio experto. Por eso, la implementación clínica deberá resolver validación local, domain shift, responsabilidad legal, sesgos, sobreconfianza y evidencia de beneficio en flujos reales de trabajo.
La principal oportunidad no es sustituir al patólogo renal, sino aumentar su capacidad de medición, predicción, priorización e investigación.
Referencias
- Barisoni L, Lafata KJ, Hewitt SM, Madabhushi A, Balis UGJ. Digital pathology and computational image analysis in nephropathology. Nature Reviews Nephrology. 2020;16:669–685.
- Becker JU, Mayerich D, Padmanabhan M, Barratt J, Ernst A, Boor P, Cicalese P, Mohan C, Nguyen H, Roysam B. Artificial intelligence and machine learning in nephropathology. Kidney International. 2020.
- Cazzaniga G, Rossi M, Eccher A, Girolami I, L’Imperio V, Nguyen HV, Becker JU, Bueno García MG, Sbaraglia M, Dei Tos AP, Gambaro G, Pagni F. Time for a full digital approach in nephropathology: a systematic review of current artificial intelligence applications and future directions. Journal of Nephrology. 2024;37:65–76.
- Girolami I, Pantanowitz L, Marletta S, Hermsen M, van der Laak J, Munari E, Furian L, Vistoli F, Zaza G, Cardillo M, Gesualdo L, Gambaro G, Eccher A. Artificial intelligence applications for pre-implantation kidney biopsy pathology practice: a systematic review. Journal of Nephrology. 2022;35:1801–1808.
- Hölscher DL, Bülow R, Strauch M, Boor P. Advances in Computational Nephropathology. Kidney International. 2025.
- Jaugey A, Maréchal E, Tarris G, Paindavoine M, Martin L, Chabannes M, Funes de la Vega M, Chaintreuil M, Robier C, Ducloux D, Crépin T, Félix S, Jacq A, Calmo D, Tinel C, Zanetta G, Rebibou J, Legendre M. Deep learning automation of MEST-C classification in IgA nephropathy. Nephrology Dialysis Transplantation. 2023.
- Kauffmann M, Bobot M, Daniel L, Torrents J, Knefati Y, Moranne O, Burtey S, Zandotti C, Jourde-Chiche N. Parvovirus B19 infection and kidney injury: report of 4 cases and analysis of immunization and viremia in an adult cohort of 100 patients undergoing a kidney biopsy. BMC Nephrology. 2020;21.
- Kers J, Bülow RD, Klinkhammer BM, Breimer G, Fontana F, Abiola AA, Hofstraat R, Corthals G, Peters-Sengers H, Djudjaj S, von Stillfried S, Hölscher DL, Pieters T, van Zuilen AV, Bemelman F, Nurmohamed A, Naesens M, Roelofs J, Florquin S, Floege J, Nguyen TQ, Kather JN, Boor P. Deep learning-based classification of kidney transplant pathology: a retrospective, multicentre, proof-of-concept study. The Lancet Digital Health. 2021.
- McGenity C, Clarke EL, Jennings C, Matthews G, Cartlidge C, Freduah-Agyemang H, Stocken DD, Treanor D. Artificial intelligence in digital pathology: a systematic review and meta-analysis of diagnostic test accuracy. NPJ Digital Medicine. 2023.
- Song AH, Jaume G, Williamson DFK, Lu MY, Vaidya A, Miller TR, Mahmood F. Artificial intelligence for digital and computational pathology. Nature Reviews Bioengineering. 2023;1:930–949.
- Yi Z, Salem F, Menon M, Keung KL, Xi C, Hultin S, Al Rasheed MRH, Li L, Su F, Sun Z, Wei C, Huang W, Fredericks S, Lin Q, Banu K, Wong G, Rogers N, Farouk SS, Cravedi P, Shingde M, Smith RN, Rosales I, O’Connell P, Colvin RB, Murphy B, Zhang W. Deep learning identified pathological abnormalities predictive of graft loss in kidney transplant biopsies. Kidney International. 2021.
Si tiene alguna consulta, contáctenos
