Editorial  
1
Rev Argent Cir. 2026;118(2):e-ededc02- hꢂp://dx.doi.org/10.25132/raac.v118.n2.ededc02  
Exacꢀtud, estadificación y decisión: la inteligencia arꢀficial frente al  
cáncer esofagogástrico  
Accuracy, staging, and decision-making: arꢀꢁcial intelligence in gastroesophageal cancer  
Enrique Díaz Cantón*  
En el cáncer esofagogástrico, la estadificación De la estadificación a la decisión  
no es un ejercicio descripꢀvo: gobierna decisiones de  
alto impacto y, con frecuencia, divergentes. El trabajo  
Cuando se pasa de estadificar a recomendar, la  
Exacꢀtud de la inteligencia arꢀꢁcial en la estadiꢁca- concordancia se vuelve más variable. En la predicción  
ción y toma de decisiones en cáncer esófago-gástrico1 de conductas de junta tumoral se han descripto con-  
formula la pregunta perꢀnente ‒cuán exacta es la in- gruencias de línea de tratamiento de hasta el 86% con  
4
teligencia arꢀficial (IA)‒ y, sobre todo, obliga a precisar algunos modelos , pero el mismo ecosistema produce  
contra qué patrón se mide esa exacꢀtud.  
un tercio de recomendaciones no concordantes cuan-  
La evidencia más directa es alentadora pero do se lo interroga sobre tratamiento oncológico abier-  
5
condicional. Yao y cols. compararon tres grandes mo- to, con un 12,5% de alucinaciones . La tabla 1 resume  
delos de lenguaje (LLM) de despliegue local con clínicos esta evidencia heterogénea, que conviene leer con  
en la estadificación TNM preoperatoria del cáncer de prudencia.  
esófago a parꢀr de informes radiológicos en texto libre,  
La conclusión no es desesꢀmar la herramienta,  
tomando la patología posquirúrgica como patrón de re- sino encuadrarla. La inteligencia arꢀficial puede afinar  
ferencia. Al ensayar tres estrategias de consigna ‒zero- la estadificación y aportar un razonamiento explícito y  
shot, chain-of-thought y un método de razonamiento revisable, sobre todo cuando se la guía con consignas  
interpretable‒, observaron que la consigna estructura- estructuradas. Pero la responsabilidad de la decisión  
da no solo elevó la exacꢀtud, sino que aportó una tra- ‒éꢀca, legal y humana‒ permanece indelegablemen-  
2
za de razonamiento auditable . La IA puede, entonces, te en el cirujano y el oncólogo, que deben validar cada  
alcanzar una exacꢀtud apreciable; pero esa exacꢀtud salida contra el paciente concreto, su patología y las  
depende de cómo se la interroga y debe contrastarse  
contra el oro patológico, no contra la verosimilitud de  
un texto bien redactado.  
■
TABLA 1  
Exacꢀtud y concordancia de la IA en estadificación  
y decisión oncológica  
Por qué el cáncer esofagogástrico exige cautela adicional  
Dominio  
evaluado  
Modelo(s)  
Resultado principal  
Fuente  
[2]  
Estadificación  
Pocos escenarios casꢀgan tanto un error de  
estadificación. La conducta depende de disꢀnciones  
suꢀles ‒el epicentro tumoral respecto de la unión  
esofagogástrica, la clasificación de Siewert, la diver-  
gencia histológica entre adenocarcinoma y carcinoma  
escamoso‒ que orientan esquemas perioperatorios  
o de quimiorradioterapia diferentes. A ello se suman  
biomarcadores que condicionan la terapia sistémica,  
como HER2, PD-L1, la inestabilidad de microsatélites y  
Exacꢀtud elevada; el  
TNM de cáncer  
de esófago desde  
informes radioló-  
gicos (referencia:  
patología)  
INF-72B,  
razonamiento estruc-  
Qwen2.5-72B, turado (CoT / razona-  
LLaMA3.1-70B miento interpretable)  
superó al zero-shot  
Congruencia de línea  
de tratamiento hasta  
Predicción de  
recomendaciones  
de junta tumoral  
Varios LLM  
GPT-3.5®  
86 %; recomendacio-  
nes jusꢀficables hasta  
98 %  
[4]  
[5]  
(
cabeza y cuello)  
Recomendaciones  
oncológicas abier-  
tas vs. guías NCCN  
3
4,3 % con ≥ 1  
3
CLDN18.2 . Un modelo que confunda un tumor de car-  
recomendación no  
concordante; 12,5 %  
dias con uno de la unión, o que omita un biomarcador,  
(
mama, próstata,  
“alucinaciones”  
propaga el error a todo el plan terapéuꢀco. La “exac-  
pulmón)  
ꢀ
tud” que reclama este trabajo debe medirse, por lo  
Nota: los valores provienen de estudios con metodologías, idiomas y  
poblaciones disꢀntas y no consꢀtuyen una comparación directa entre  
modelos. CoT: chain-of-thought; NCCN: Naꢀonal Comprehensive Cancer  
Network; TNM: tumor-ganglio-metástasis.  
tanto, dentro del marco de las guías vigentes y contra el  
diagnósꢀco patológico.  
*
Oncólogo clínico, Insꢀtuto Universitario CEMIC, Buenos Aires, Argenꢀna.  
Codirector, Programa de Posgrado en Inteligencia Arꢀꢁcial y Medicina, Academia Nacional de Medicina, Buenos Aires, Argenꢀna.  
Correspondencia: ediazcanton@iuc.edu.ar  
2
Díaz Cantón E. Exacꢀtud, estadiꢁcación y decisión: la inteligencia arꢀꢁcial frente al cáncer esofagogástrico. Rev Argent Cir. 2026;118(2):e-ededc02  
guías. Medida así, con rigor y contra el patrón correcto, herramientas de inteligencia arꢀꢁcial generaꢀva basadas  
en modelos de lenguaje de gran escala como apoyo en  
la exacꢀtud de la IA deja de ser una promesa para con-  
la búsqueda y el cotejo de la bibliograꢃa, la organización  
verꢀrse en una herramienta; medida contra su propia  
del texto y la edición de esꢀlo. Todas las aꢁrmaciones, las  
elocuencia, sigue siendo un espejismo.  
referencias y los datos cuanꢀtaꢀvos fueron veriꢁcados por  
el autor contra las fuentes primarias citadas. El contenido  
conceptual, las interpretaciones y las conclusiones son de su  
exclusiva responsabilidad; la inteligencia arꢀꢁcial no ꢁgura  
como autora ni asume responsabilidad alguna sobre el  
contenido.  
Declaración sobre el uso de inteligencia arꢀꢁcial: El autor  
declara que en la preparación de este editorial uꢀlizó  
■
ENGLISH VERSION  
In gastroesophageal cancer, staging is not me- From staging to decision-making  
rely a descripꢀve exercise: it guides high-impact, oꢁen  
conꢂicꢀng decisions. The paper “Accuracy of arꢀficial  
When the focus shiꢁs from staging to recom-  
intelligence for staging and decision-making in esopha- mending, concordance becomes more variable. For  
1
geal and gastric cancer” raises the perꢀnent quesꢀon predicꢀng tumor board procedural recommendaꢀons,  
of how accurate arꢀficial intelligence (AI) is. More im- treatment line congruence of up to 86% has been re-  
4
portantly, it requires specifying the standard against ported with some models , but the same ecosystem  
which this accuracy is measured.  
generates one-third of non-concordant recommenda-  
The most direct evidence is encouraging, ꢀons when queried about open oncology treatment,  
5
though condiꢀonal. Yao et al. compared the perfor- with 12.5% of responses being hallucinaꢀons . Table  
mance of three locally deployed LLMs with that of cli- 1 summarizes this heterogeneous evidence, which  
nicians in preoperaꢀve esophageal cancer staging using should be read with cauꢀon.  
free-text radiology reports. The gold standard was de-  
The objecꢀve is not to discredit the tool, but  
rived from postoperaꢀve pathological staging. When rather to contextualize its use. Arꢀficial intelligence can  
the authors tested three prompꢀng strategies—zero- improve staging and provide explicit, verifiable reaso-  
shot, chain-of-thought, and an interpretable reasoning ning, especially when guided by structured prompts.  
method—they observed that the structured prompt However, the ethical, legal, and human responsibility  
not only improved accuracy but also provided an au- for the decision cannot be delegated; it remains with  
2
ditable reasoning trace . Therefore, the accuracy of AI the surgeon and the oncologist, who must verify each  
can be conꢀngent on the method of querying, and it output against the individual paꢀent, their pathology,  
should be evaluated against the pathological gold stan- and current guidelines. When evaluated with such rigor  
dard rather than the plausibility of a well-wriꢃen text.  
■
TABLE 1  
Accuracy and concordance of AI in cancer staging  
Why does gastroesophageal cancer demand parꢀcular  
cauꢀon?  
and decision-making.  
Domain  
Model(s)  
Primary outcome  
Source  
[2]  
Few scenarios impose such a heavy penalty  
for a staging error. The management of the disease de-  
pends on subtle disꢀncꢀons—tumor locaꢀon relaꢀve to  
the gastroesophageal juncꢀon, Siewert classificaꢀon,  
and histological differences between adenocarcinoma  
and squamous cell carcinoma—that guide different  
perioperaꢀve or chemoradiotherapy regimens. In addi-  
TNM staging of  
High accuracy;  
structured reasoning  
(CoT / interpretable  
reasoning)  
esophageal cancer  
INF-72B,  
based on radiology Qwen2.5-72B,  
reports (gold  
LLaMA3.1-70B  
standard: pathology)  
outperformed zero-shot  
Treatment line  
congruence of up  
to 86%; jusꢀfiable  
recommendaꢀons up  
to 98%.  
Predicꢀon of tumor  
board procedural  
recommendaꢀons  
(head and neck)  
Various LLMs  
[4]  
[5]  
ꢀ
on, certain biomarkers, such as HER2, PD-L1, micro-  
satellite instability, and CLDN18.2, condiꢀon systemic  
Open oncology  
recommendaꢀons  
vs. NCCN guidelines  
3
therapy . A model confounding a cardia tumor with that  
3
4.3% with ≥ 1  
of the gastroesophageal juncꢀon—or one that ignores  
a biomarker—spreads the error throughout the enꢀre  
treatment plan. The “accuracy” claimed by this study  
must therefore be assessed within the framework of  
current guidelines and in relaꢀon to the pathological  
diagnosis.  
GPT-3.5  
nonconcordant opꢀon;  
12.5% “hallucinaꢀons”  
(
breast cancer,  
prostate cancer, lung  
cancer)  
Note: These values are derived from studies using different methodolo-  
gies, languages, and populaꢀons and do not consꢀtute a direct compari-  
son between models. CoT: chain-of-thought; NCCN: Naꢀonal Comprehen-  
sive Cancer Network; TNM: tumor-node-metastasis  
Díaz Cantón E. Exacꢀtud, estadiꢁcación y decisión: la inteligencia arꢀꢁcial frente al cáncer esofagogástrico. Rev Argent Cir. 2026;118(2):e-ededc02  
3
and against the proper standard, the accuracy of AI shi- intelligence tools based on large language models were  
uꢀlized to assist with literature search and cross-referencing,  
ꢁ
s from being a promise to becoming a tool; measured  
text organizaꢀon, and copyediꢀng. All statements, references,  
and quanꢀtaꢀve data were veriꢁed by the author against the  
primary sources cited. The conceptual content, interpretaꢀons,  
and conclusions are the sole responsibility of the author; the  
arꢀꢁcial intelligence is not credited as an author, nor does it  
assume any responsibility for the content.  
against its own eloquence, it remains a mirage.  
Arꢀꢁcial intelligence disclosure: The author declares that,  
during the preparaꢀon of this editorial, generaꢀve arꢀꢁcial  
Referencias bibliográficas /References  
1
2
3
. Coturel AE, Pereyra P, García R, Diomedi A, Cabas Audicio JJM,  
Klappenbach R. Exacꢀtud de la inteligencia arꢀficial en la esta-  
dificación y toma de decisiones en cáncer esófago gástrico. Rev  
Argent Cir. 2026;118(2):e-1963. DOI: hꢃp://dx.doi.org/10.25132/  
raac.v118.n2.1963  
ce Guidelines in Oncology (NCCN Guidelines): Gastric Cancer y  
Esophageal and Esophagogastric Juncꢀon Cancers. NCCN; 2025-  
2026. Disponible en NCCN.org.  
4. Aubreville M, Ganz J, Ammeling J, et al. Predicꢀon of tumor  
board procedural recommendaꢀons using large language models.  
Eur Arch Otorhinolaryngol. 2025;282(3):1619-29. doi:10.1007/  
s00405-024-08947-9.  
. Yao Y, Cen X, Gan L, Jiang J, Wang M, Xu Y, Yuan J. Auto-  
mated Esophageal Cancer Staging From Free-Text Ra-  
diology Reports: Large Language Model Evaluaꢀon Stu-  
dy. JMIR Med Inform. 2025;13:e75556. doi:10.2196  
5. Chen S, Kann BH, Foote MB, Aerts HJWL, Savova GK, Mak RH,  
Biꢃerman DS. Use of Arꢀficial Intelligence Chatbots for Can-  
cer Treatment Informaꢀon. JAMA Oncol. 2023;9(10):1459-62.  
doi:10.1001/jamaoncol.2023.2954.  
/75556.  
. Naꢀonal Comprehensive Cancer Network. NCCN Clinical Pracꢀ-