La inteligencia artificial ya se utiliza en el ámbito de la anatomía patológica para ayudar a identificar patrones en imágenes microscópicas y detectar indicios de determinadas enfermedades, sin embargo, muchos de los sistemas actuales están especializados en una única función, por lo que es necesario desarrollar o adaptar modelos diferentes para cada aplicación. Un nuevo trabajo publicado en Nature Medicine plantea una aproximación diferente con PRISM2, un modelo desarrollado por investigadores de Microsoft Research y Paige, actualmente parte de Tempus.
Investigadores de Microsoft Research y Paige han desarrollado PRISM2, un modelo de inteligencia artificial entrenado con imágenes de tejidos y lenguaje procedente de informes reales de anatomía patológica, el sistema busca superar las limitaciones de las herramientas actuales, habitualmente diseñadas para una única tarea, y servir como una base común para diferentes aplicaciones de investigación médica.
El objetivo es crear un modelo de propósito más general que pueda comprender tanto las imágenes de los tejidos como el lenguaje utilizado por los patólogos en sus informes, esta combinación permite conectar los patrones visuales que aparecen en una muestra con las descripciones y conclusiones utilizadas habitualmente por los especialistas. PRISM2 se ha entrenado emparejando imágenes de muestras de tejido con información procedente de informes de anatomía patológica, a partir de estos datos, los investigadores generaron millones de ejemplos de preguntas y respuestas destinados a enseñar al modelo la relación entre determinadas características visuales y el lenguaje utilizado para describirlas.
Esta aproximación pretende superar uno de los principales límites de los modelos especializados, en lugar de entrenar un sistema independiente para detectar cada tipo de cáncer o resolver cada problema concreto, PRISM2 puede trabajar con imágenes por sí solas o con imágenes acompañadas de texto, permitiendo interactuar con el sistema mediante preguntas e instrucciones. La idea parte de que la anatomía patológica no es únicamente una disciplina visual, los especialistas no solo observan muestras microscópicas, sino que también interpretan esos patrones y los convierten en informes que sirven para orientar decisiones médicas.
En las pruebas realizadas por los investigadores, PRISM2 igualó o superó el rendimiento de sistemas especializados de detección de cáncer en diferentes pruebas de referencia, entre ellas se incluyen tareas relacionadas con cáncer de próstata, cáncer de mama y metástasis de cáncer de mama en ganglios linfáticos. Uno de los aspectos destacados del estudio es que estos resultados se obtuvieron utilizando un único modelo, sin crear una versión independiente específicamente entrenada para cada una de las tareas evaluadas.
Esto podría facilitar el desarrollo de futuras herramientas de IA para investigación en anatomía patológica, ya que los investigadores podrían adaptar un mismo modelo a nuevas aplicaciones sin tener que comenzar el proceso de entrenamiento desde cero cada vez. La anatomía patológica ocupa un papel central en el diagnóstico de numerosos tipos de cáncer. Los patólogos analizan muestras de tejido y elaboran informes que posteriormente pueden utilizarse para orientar las decisiones relacionadas con el tratamiento.
A medida que aumenta la cantidad de imágenes y datos médicos disponibles, los investigadores buscan modelos capaces de aprovechar conjuntamente estas diferentes fuentes de información, PRISM2 plantea precisamente esta posibilidad al conectar la información visual de las muestras con el lenguaje clínico utilizado para interpretarlas. Los investigadores han publicado los pesos completos de PRISM2 para su uso en investigación a través de Hugging Face, lo que permite que otros equipos puedan estudiar el modelo y explorar nuevas aplicaciones en este campo.
El trabajo representa así un cambio de enfoque respecto a los sistemas de IA de anatomía patológica centrados exclusivamente en tareas concretas: en lugar de enseñar a la inteligencia artificial únicamente a reconocer determinadas imágenes, PRISM2 busca que aprenda también a relacionar lo que observa en un tejido con la forma en que los especialistas describen e interpretan esos hallazgos.