Alibaba presenta MAOSS, un modelo de IA para detectar de forma temprana la enfermedad del hígado graso

Alibaba DAMO Academy ha presentado MAOSS, un modelo de IA que busca signos de enfermedad del hígado graso en TC sin contraste de rutina y ayuda a seleccionar antes a los pacientes para un diagnóstico más profundo. Para la medicina es un caso relevante que no va de «IA en lugar del médico», sino de sacar más provecho de las pruebas que ya existen.

Por qué importa

La enfermedad del hígado graso, que la literatura en inglés llama cada vez más steatotic liver disease, puede pasar mucho tiempo sin síntomas. Por eso, los pacientes llegan a menudo al médico ya en fase de fibrosis o cirrosis, cuando la ventana para una intervención temprana se estrecha de forma notable. Según Alibaba DAMO Academy, la enfermedad afecta actualmente a cerca del 30 % de la población mundial y podría llegar al 55,7 % en 2040.

La ecografía convencional y los marcadores séricos no siempre son lo bastante sensibles, y los métodos más precisos no están disponibles en todas las clínicas. MAOSS apunta precisamente a ese hueco.

El modelo se desarrolló junto con el Shengjing Hospital of China Medical University y el Nanjing Drum Tower Hospital, y los resultados se publicaron en Nature Communications. El sistema combina varios tipos de datos: TC sin contraste, valores sanguíneos y características calculadas como la textura, la densidad y la forma del hígado. La idea no es obligar al hospital a comprar un instrumento nuevo y poco común, sino reentrenar el flujo habitual de pruebas para que indique a quién no se debe dejar marchar sin una comprobación adicional.

Qué sabe hacer MAOSS

Según el artículo de Nature Communications, el modelo se entrenó y se evaluó con varias muestras, desde un conjunto interno de 2071 casos hasta un conjunto real de 18 504 exploraciones. Se analizó por separado una cohorte de 1192 pacientes, en la que la tarea no consistía solo en detectar esteatosis, sino en seleccionar a personas con mayor riesgo de una evolución más grave: esteatohepatitis y fibrosis avanzada. Este diseño importa: demuestra que el sistema se probó no solo en condiciones de laboratorio, sino también más cerca del flujo clínico habitual.

Los resultados clave son estos:

• la proporción de pacientes de alto riesgo identificados subió del 16,6 % al 52,4 %
• el AUC para distintas fases de esteatosis fue de 0,904–0,917
• el AUC medio de los radiólogos sin ayuda del modelo fue de 0,709
• con MAOSS como asistente, la precisión de los médicos subió a 0,798

Lo más interesante es otra cosa: el modelo busca la señal en pacientes que pueden haber acudido por un motivo distinto. Si a una persona ya le han hecho una TC estándar, el sistema puede aprovechar esa imagen para un cribado oportunista adicional, sin exigir un procedimiento aparte y costoso. Para los sistemas sanitarios es un argumento de peso, porque el coste de implantación depende a menudo no solo del algoritmo, sino de la necesidad de cambiar el circuito del paciente. Aquí Alibaba intenta encajar en la infraestructura existente.

No en lugar del médico

Según la presentación de Alibaba, no es un «hepatólogo digital», sino una herramienta de apoyo a la decisión. MAOSS no sustituye al diagnóstico, la biopsia, la valoración clínica ni el seguimiento posterior del paciente; ayuda a detectar antes a quienes el circuito estándar puede pasar por alto. El enfoque resulta pragmático: el modelo no promete una medicina autónoma, sino que reduce la proporción de casos no detectados y abarata la selección temprana.

Encaja bien en la estrategia más amplia de DAMO Academy, que ya impulsa el cribado de cáncer con IA y asegura haber alcanzado a más de 50 millones de personas con revisiones médicas con IA en diez países y regiones.

Pero tampoco conviene sobrevalorar el resultado. Se trata de una validación retrospectiva y de una publicación de investigación, no de que el modelo se haya convertido ya en un estándar universal para hospitales de todo el mundo. Cualquier herramienta así requiere validación local, ajuste a un flujo concreto de pacientes y una responsabilidad clara del médico. De lo contrario, incluso una métrica sólida sobre el papel puede chocar con falsos positivos, sobrecarga de especialistas o problemas de interpretación de los resultados en la práctica real.

Qué significa

El caso de MAOSS muestra hacia dónde avanza más rápido la IA médica: no hacia los asistentes conversacionales, sino hacia sistemas silenciosos que extraen una señal adicional de datos ya recopilados. Si este enfoque escala, la TC rutinaria podría convertirse poco a poco no solo en una imagen para el motivo de consulta actual, sino también en un filtro temprano para enfermedades crónicas que hoy se detectan con demasiada frecuencia tarde.