IA biomédica · us
La IA patológica no es más precisa cuanto más grande: una gran prueba de 32 modelos fundacionales revela la brecha de generalización
Una comparación que abarca 41 tareas de patología oncológica muestra que los modelos entrenados específicamente para imágenes patológicas ofrecen en conjunto un rendimiento sólido, pero no existe un único ganador; al salir de los datos conocidos, la clasificación cambia y el tamaño del modelo tampoco es una guía fiable para elegir.
El verdadero reto de la patología digital no consiste solo en lograr que la IA obtenga una puntuación alta con un conjunto de cortes, sino en determinar si puede mantener su precisión al cambiar de hospital, de tipo de tejido o de problema clínico. Un amplio estudio comparativo publicado en 《Nature Communications》 evaluó 32 modelos fundacionales y concluyó que, aunque los modelos especializados en patología suelen ser potentes, su rendimiento cambia según los datos y la tarea, por lo que no existe un campeón universal.
El estudio abarcó 41 tareas con imágenes de portaobjetos completos y regiones locales, utilizando datos del Atlas del Genoma del Cáncer TCGA, del Consorcio de Análisis Proteómico Clínico de Tumores CPTAC, así como conjuntos de datos externos y de distintos dominios. Las tareas incluyeron clasificación tumoral, subtipos moleculares, estadificación tumoral y predicción de vías biológicas; en otras palabras, la IA no solo debía reconocer el aspecto de los tejidos, sino también inferir a partir de cortes teñidos información relacionada con el diagnóstico, el pronóstico o el tratamiento de precisión.
El equipo dividió los modelos en cuatro categorías: visión general, visión-lenguaje general, visión especializada en patología y visión-lenguaje especializada en patología. En las tareas de TCGA, los modelos visuales especializados en patología Virchow2, Prov-GigaPath, H-optimus-0 y UNI figuraron con frecuencia entre los primeros puestos. En conjunto, esta categoría superó a los modelos de visión-lenguaje para patología y pudo competir con los modelos de visión general; sin embargo, las diferencias entre los mejores modelos solían ser pequeñas y dependían de la tarea concreta.
Cuando la evaluación pasó a CPTAC y a datos externos con distribuciones diferentes, la clasificación de los modelos mostró desplazamientos de magnitud limitada, pero persistentemente visibles. Esto refleja el habitual problema de «cambio de dominio» en la IA patológica: pequeñas variaciones en los procesos de tinción, los equipos de escaneo, la composición de los pacientes y el origen de los tejidos pueden modificar las características de las imágenes y hacer que un modelo anteriormente líder pierda su ventaja. Por tanto, obtener una puntuación alta en una única base de datos de uso habitual no equivale directamente a demostrar fiabilidad clínica entre hospitales.
El estudio también debilita la intuición de que «cuanto más grande sea el modelo y más datos haya visto, necesariamente será mejor». Ni el número de parámetros del modelo ni el volumen de datos de preentrenamiento permitieron predecir de forma consistente el rendimiento en tareas posteriores, especialmente fuera de TCGA. Los tejidos incluidos en los datos de entrenamiento, la diversidad de los casos y la manera en que la arquitectura del modelo procesa las imágenes patológicas podrían ser más importantes que limitarse a aumentar la escala; no obstante, esta comparación todavía no permite desglosar el efecto causal de cada factor.
Una pista más práctica procede de la combinación de modelos. El estudio integró mediante fusión tardía las predicciones de varios modelos destacados y mejoró el rendimiento general en conjuntos de datos externos y distintos tipos de tejidos, lo que indica que la información visual aprendida por los modelos es complementaria. El coste es una implementación más compleja y mayores necesidades de cómputo; además, las instituciones médicas todavía deben determinar cómo rastrear y explicar los resultados cuando las opiniones de los modelos entren en conflicto.
Este estudio amplió la prepublicación de 2025, que incluía 31 modelos, hasta una comparación de 32 modelos en el artículo final. El código complementario, los datos de los modelos y el entorno de evaluación también se han publicado y conservado con control de versiones, lo que aumenta las posibilidades de reproducción y evaluación posterior. Sin embargo, los resultados comparativos obtenidos con datos públicos retrospectivos no constituyen una validación clínica prospectiva. Para incorporarse al proceso asistencial, los modelos todavía deben someterse a pruebas independientes en el hospital y la población de pacientes objetivo, mantener una vigilancia continua de la deriva de los datos y generar las pruebas necesarias para el control de calidad, la atribución de responsabilidades y la supervisión regulatoria.