Publicado en Microsoft Signal.
La inteligencia artificial ya ayuda a los clínicos a detectar patrones en imágenes de diagnóstico y a detectar signos de enfermedad. Pero muchos de los sistemas actuales de IA en patología están diseñados para una sola tarea y deben reconstruirse para cada nueva aplicación.
Un estudio publicado de manera reciente en Nature Medicine describe un enfoque diferente orientado a avanzar en la investigación en este campo. Investigadores de Microsoft Research y Paige, ahora parte de Tempus, desarrollaron PRISM2, un modelo fundamental de patología entrenado tanto en imágenes de tejidos como en lenguaje basado en informes reales de patología. El objetivo era ayudar a la IA a aprender de la gran cantidad de datos textuales disponibles y crear un sistema que pudiera apoyar la investigación y desarrollo en patología futura.
En las pruebas, el modelo igualó o superó el rendimiento de sistemas especializados de detección de cáncer en varias tareas de referencia, incluidos el cáncer de próstata, cáncer de mama y detección de metástasis de ganglios linfáticos mamarios. Es importante destacar que los investigadores informaron de estos resultados sin crear un modelo separado para cada tarea.
Los pesos completos del modelo PRISM2 están disponibles de manera pública para su uso de investigación en Hugging Face aquí y aquí.
Por qué es importante
La patología está en el centro de muchos diagnósticos de cáncer. Los patólogos examinan muestras de tejido y elaboran informes que guían las decisiones de tratamiento. A medida que la sanidad genera mayores volúmenes de datos, los investigadores han explorado cómo la IA puede ayudar a los clínicos a tomar estas decisiones e incluso aportar nuevas perspectivas.
La mayoría de los sistemas de IA para patología hoy en día están diseñados para un único propósito, como detectar un tipo concreto de cáncer. PRISM2 se desarrolló como un esfuerzo de investigación para apoyar una gama más amplia de tareas mediante un único modelo que puede responder a prompts y preguntas. Los investigadores afirman que esto podría facilitar la construcción y adaptación de futuras herramientas de patología sin empezar de cero para cada nueva aplicación.
Cómo funciona
La idea central detrás de PRISM2 es que la patología no es solo una disciplina visual. También es una lengua impulsada por el lenguaje.
Para entrenar el modelo, los investigadores emparejaron imágenes de patología con información derivada de informes de patología, para crear millones de ejemplos de preguntas y respuestas que ayudaron a conectar hallazgos visuales con el lenguaje diagnóstico. El modelo resultante puede funcionar solo con imágenes o con imágenes y texto, lo que permite a los usuarios interactuar con él mediante prompts, en lugar de depender solo de software específico para cada tarea.
Este enfoque difiere de muchos modelos fundamentales de patología anteriores, que se centraban en aprender representaciones visuales a partir de imágenes. PRISM2 fue diseñado desde el principio para vincular patrones visuales en los tejidos con el lenguaje que utilizan los clínicos al hacer diagnósticos.
Imagen principal creada con Microsoft Copilot.