Inteligencia artificial (IA) algoritmos que buscan cáncer podrían hacerlo mejor cuando abordan el análisis como si fueran un patólogo humano, sugiere un nuevo estudio.
Muchos sistemas de IA analizan regiones preseleccionadas de una muestra de tejido, o dividen una diapositiva completa de patología en parches de tamaño fijo. Por el contrario, un patólogo busca de forma más dinámica, moviéndose por el tejido, acercando y alejando, y deteniéndose en zonas que levantan señales de alerta. Una diapositiva completa puede contener mil millones de píxeles, mientras que la evidencia de cáncer puede ocupar sólo un parche diminuto.
El coautor del estudio Zhi Huang, profesor asociado de patología y medicina de laboratorio en la Universidad de Pensilvania, comparó el proceso con un helicóptero de búsqueda y rescate. “No empiezas examinando un metro cuadrado de terreno,” dijo Huang a Live Science. “Primero escaneas el paisaje y luego te acercas para una mirada más cercana.”
En el nuevo estudio, publicado en julio en la revista Nature, Huang y sus colegas demostraron que la IA para detectar cáncer podría funcionar mejor si adopta este enfoque humanizado.
Entrenamiento de la IA para cazar cáncer
Los algoritmos de IA llamados modelos de visión y lenguaje (MVL) tienen dificultad con el primer paso que describió Huang — ese escaneo inicial y superficial. Eso es en parte porque muchos sistemas de IA en patología aprenden de lo que los patólogos dejan al final de esa búsqueda: una imagen etiquetada que señala dónde está el cáncer o un diagnóstico oficial.
En su lugar, los investigadores entrenaron su nueva IA con el comportamiento de búsqueda de los patólogos. A este enfoque de entrenamiento lo llamaron “Pathology-CoT,” abreviatura de “cadena de pensamiento.” Convierte las acciones observables, incluyendo dónde se mueven los patólogos y dónde hacen zoom en una imagen, en datos de entrenamiento.
Para recolectar los datos, el equipo creó una herramienta que registraba cómo los patólogos se movían por una diapositiva y cambiaban la magnificación. Los registros en bruto, obtenidos de ocho patólogos, eran desordenados, ya que un patólogo podía desplazarse por la diapositiva, exceder su región de enfoque deseada o juguetear con la magnificación para ajustarla a su gusto.
Para limpiar los datos, los investigadores eliminaron esos movimientos incidentales, enfocándose en momentos que parecían representar atención deliberada, como permanecer en una vista o realizar un paneo sostenido. Luego, compararon esas regiones con datos de seguimiento ocular para verificar que el software capturaba dónde miraban realmente los patólogos.
Por cada región inspeccionada por un patólogo, el MVL también redactó una breve justificación explicando por qué la región valía la pena examinarla y qué características eran visibles; patólogos humanos podían entonces aceptar, editar o rechazar la justificación, creando datos de entrenamiento adicionales para la IA. En un ejemplo, la IA marcó una porción de una diapositiva como potencialmente metastásica y sugirió hacer un acercamiento para buscar células atípicas. Otras regiones analizadas fueron señaladas como tejido sano.
En definitiva, los investigadores utilizaron este método de entrenamiento para construir una nueva herramienta llamada Pathology-o3. Escanea una diapositiva a baja resolución, usa un modelo entrenado con el comportamiento de los patólogos para elegir regiones que vale la pena examinar más de cerca, y luego envía vistas de mayor resolución de esas regiones a un MVL para su análisis.
Poniéndolo a prueba
Huang señaló que el objetivo del nuevo estudio no era demostrar que Pathology-o3 funcione mejor que modelos de IA especializados que se construyen específicamente para detectar tipos concretos de cáncer; esos modelos suelen entrenarse de una enfermedad a otra. Más bien, los investigadores querían ver si su nuevo enfoque de entrenamiento podría ayudar a una IA de uso general a navegar una diapositiva de patología de forma más eficaz.
Compararon Pathology-o3 con otros sistemas de IA de uso general, como o3 de OpenAI, y pidieron a los algoritmos que examinaran diapositivas que contenían tejido linfático. Estas diapositivas provienen de casos de cáncer colorrectal y algunas contenían cáncer metastásico, el cual los patólogos humanos ya habían etiquetado.
El algoritmo identificó correctamente las diapositivas positivas para cáncer el 100% de las veces. Sin embargo, de las diapositivas que identificó como positivas, el 15.5% en realidad eran negativas. En comparación, el o3 de OpenAI identificó correctamente diapositivas positivas para cáncer el 87.5% de las veces. De las diapositivas que identificó como positivas, el 53.3% eran en realidad negativas.
Los investigadores diseñaron Pathology-o3 para errar hacia marcar algo para otra revisión, antes que potencialmente perder cáncer. Eso podría ayudar a explicar la tasa de falsos positivos, dijo Huang.
Si esa tasa de falsas alarmas es aceptable depende de cómo se use Pathology-o3, dijo Mohammad Asadi, científico de datos de la Universidad de Stanford que no participó en la investigación. No es lo suficientemente preciso como para que la IA diagnostique a los pacientes por sí sola, pero podría ser útil para un sistema que indique a un humano qué regiones de una diapositiva vale la pena verificar de nuevo. Puede ser una ventaja que el enfoque muestre al patólogo una región específica para inspeccionar en lugar de declarar una diapositiva entera como sospechosa, comentó.
Los investigadores intentaron repetir la prueba en un conjunto de datos independiente que los algoritmos no habían visto antes para ver qué tan bien funcionaba con láminas no familiares. Pathology-o3 identificó correctamente las diapositivas positivas para cáncer el 97.6% de las veces. De las diapositivas que identificó como positivas, el 37.1% eran en realidad negativas. Este hallazgo es un ejemplo de cómo el rendimiento de la IA puede cambiar cuando la fuente de datos cambia, incluso cuando la tarea médica permanece igual.
Asadi explicó que este resultado sugiere que el sistema aún puede funcionar con láminas de una fuente diferente. Pero ese resultado aún no demuestra que usar esta herramienta haga a los patólogos más precisos o eficientes en la práctica.
¿Puede ayudar a los patólogos?
Los investigadores aplicaron su enfoque de entrenamiento a varios MVL existentes, descubriendo que el rendimiento de los modelos mejoraba de forma constante tras el entrenamiento. Eso sugiere que los datos de navegación de los patólogos fueron útiles en distintos entornos, dijo Asadi.
Para Huang, ese es el resultado más importante. “La conclusión no es nuestro sistema,” afirmó. “Es que el ingrediente faltante ha estado en los hospitales todo este tiempo”.
El estudio no comparó Pathology-o3 directamente con patólogos humanos, pero los investigadores dijeron que ese no era su objetivo. “La pregunta correcta no es si supera a un patólogo,” afirmó Huang. “Es si un patólogo que trabaje con esto detecta más casos de cáncer y trabaja más rápido.” El estudio actual tampoco abordó esa última pregunta, pero el próximo experimento del equipo está diseñado para evaluar a los patólogos en los mismos casos con y sin Pathology-o3, midiendo cuántos casos captan y cuánto tiempo les toma hacerlo.
El uso más plausible del sistema es como una herramienta de preselección, afirmó Asadi, pero subrayó que la investigación aún no ha mostrado que los médicos que lo usan se vuelvan más rápidos o más precisos. Asadi quiere una prueba aún más rigurosa: ensayos realizados en varios hospitales que midan no solo precisión y rapidez, sino también la carga de trabajo de los patólogos. Quiere que las pruebas evalúen la carga de falsas alarmas de los algoritmos de IA y si los médicos reconocen cuándo la IA se equivoca.
Es importante señalar que los diagnósticos de cáncer pueden requerir información de múltiples diapositivas, tinciones y el historial médico de un paciente, mientras que el sistema actual solo lee una diapositiva a la vez. “No diría que debería diagnosticar por sí solo,” comentó Huang.
Este artículo es solo para fines informativos y no pretende ofrecer asesoramiento médico.
