IA biomédica · global
La IA no solo examina cortes patológicos: también aprende cómo los expertos buscan lesiones
Pathology-o3 aprende de las trayectorias de zoom, desplazamiento y pausa de los patólogos «dónde mirar primero y por qué es importante», y mostró una alta sensibilidad en pruebas de metástasis ganglionares de cáncer gastrointestinal; sin embargo, las tareas limitadas y los datos externos aún no bastan para respaldar su uso en el diagnóstico habitual.
Una imagen digital de patología de portaobjetos completo puede contener decenas de miles de millones de píxeles, mientras que las anomalías que realmente determinan el diagnóstico ocupan apenas una diminuta zona. Los patólogos no examinan de manera uniforme cada centímetro de tejido, sino que observan la estructura a bajo aumento, localizan las áreas sospechosas y luego amplían la imagen para identificar las células. Un estudio publicado en 《Nature Biomedical Engineering》 convirtió este proceso de búsqueda, que normalmente no se consigna en los informes diagnósticos, en datos de los que puede aprender la inteligencia artificial.
El equipo de investigación propuso el marco Pathology-CoT, que utiliza «AI Session Recorder» para registrar los movimientos, el zoom y las pausas de los patólogos en el visor de portaobjetos, y luego organiza las operaciones consecutivas en instrucciones estandarizadas y cuadros delimitadores. Los datos públicos indican que el material de entrenamiento procedió de 10.6 horas de procesos diagnósticos de 8 patólogos de la Facultad de Medicina de Stanford, con los que se generaron 5,222 rondas de diálogos sobre acciones y razonamiento.
Este método no solo indica «dónde mirar», sino que también intenta explicar «por qué hay que mirar allí». El sistema primero redacta una justificación para cada paso de observación y después los patólogos la revisan y corrigen, creando datos supervisados que vinculan cada ubicación con su relevancia diagnóstica. El equipo estima que este proceso supervisado por personas puede multiplicar aproximadamente por seis la velocidad de anotación, aunque su calidad sigue dependiendo de que los expertos corrijan por completo las explicaciones generadas por la IA.
Pathology-o3, entrenado con estos datos, adopta un diseño de dos etapas: primero predice las regiones de interés que merecen ser examinadas y luego permite que un modelo de visión y lenguaje las analice secuencialmente. En una prueba interna sobre metástasis ganglionares de cáncer gastrointestinal, la prepublicación indicó una precisión del 84.5%, una sensibilidad del 100.0% y una exactitud del 75.4%, y el modelo superó a varios de los modelos de visión y lenguaje incluidos en la comparación del estudio. Los tres indicadores miden aspectos distintos; una sensibilidad del 100% significa que no se omitieron casos positivos en ese conjunto de prueba, no que todas las evaluaciones fueran correctas.
El modelo mantuvo una sensibilidad del 97.6% en el conjunto de datos externo independiente LNCO2, lo que muestra que su capacidad para localizar lesiones metastásicas no desapareció por completo al utilizar otro grupo de portaobjetos. El artículo de la revista también informó que sus beneficios podían reproducirse con distintas arquitecturas base de modelos de visión y lenguaje, y evaluó por separado la localización de regiones y el razonamiento con datos de dermatopatología. No obstante, los resultados actuales demuestran principalmente la viabilidad de una estrategia de entrenamiento, pero todavía no prueban que el sistema pueda gestionar la compleja variedad de tipos de cáncer, cambios benignos y trampas poco frecuentes de la práctica patológica cotidiana.
Antes del despliegue clínico quedan pruebas más prácticas: las diferencias entre laboratorios en la tinción, los escáneres y la preparación de los tejidos pueden alterar las imágenes; una alta sensibilidad también puede ir acompañada de más falsos positivos, lo que aumentaría la carga de revisión para los médicos. Los estudios futuros deberán evaluar los errores diagnósticos, el tiempo de lectura, las responsabilidades de las personas y la IA, y los requisitos regulatorios en más instituciones y en flujos de trabajo prospectivos. Por tanto, el valor fundamental de este trabajo no consiste en hacer que la IA imite un razonamiento textual elegante, sino en convertir la forma en que los expertos encuentran pruebas paso a paso dentro de enormes imágenes de portaobjetos en un objetivo de aprendizaje comprobable y reproducible.