Un equipo de la Hong Kong University of Science and Technology presentó un sistema llamado PRET, abreviatura de Pan-cancer Recognition without Example Training, y publicó sus resultados en Nature Cancer. La noticia no es solo otro modelo que añade una cifra nueva a una tabla de AUC. El punto que importa al patólogo es cómo se usa el modelo: una tarea nueva, unos pocos portaobjetos anotados y sin necesidad de fine-tuning específico para cada cáncer o cada diagnostic task.
La idea viene del in-context learning en los modelos de lenguaje, pero se trasladó al análisis de WSI. En lugar de entrenar un modelo separado o reajustar un modelo fundacional con miles de imágenes, PRET usa entre uno y ocho portaobjetos annotated como referencia durante la inference. Después ejecuta tareas como cancer screening, tumor subtyping y tumor segmentation dentro de un mismo marco.
Este detalle tiene peso en la práctica. Muchos modelos de pathology AI parecen sólidos dentro de los datos de desarrollo, y luego aparecen las preguntas difíciles al moverlos a otro laboratorio: otro scanner, otra staining, otro case mix y una población de pacientes que no se parece a la del entrenamiento. Si el modelo necesita un nuevo ciclo de entrenamiento para cada task, la carga operativa se acerca a la carga de desarrollo. PRET intenta romper ese ciclo al reducir la dependencia de grandes volúmenes de datos y del entrenamiento repetido.
Según el informe, el sistema se probó en 23 benchmark dataset de instituciones de China, Estados Unidos y los Países Bajos, con experimentos que cubrieron 18 tipos de cáncer y varias tareas diagnósticas. PRET superó a métodos previos en 20 tareas y pasó un AUC del 97% en 15 tareas. Son cifras fuertes, pero siguen siendo cifras de benchmark. Su valor real se entiende mejor al leerlas junto al diseño del modelo y el número de ejemplos requeridos.
El resultado más claro para los patólogos apareció en la detección de metástasis en ganglios linfáticos. Con solo ocho portaobjetos como ejemplos, PRET alcanzó un AUC cercano al 98,71%. En la misma comparación, el rendimiento medio de 11 patólogos estuvo cerca de un AUC del 81%. No conviene convertir esa cifra en un titular simplificado de que el modelo es “mejor que los patólogos” en todo. La tarea es específica, la comparación tiene sus condiciones y el AUC no resume todo lo que ocurre en el sign-out diario. Pero es una cifra difícil de ignorar.
Más que la ventaja en una sola tarea, lo que llama la atención es la afirmación de generalización entre distintos cánceres y centros. Si un solo modelo puede manejar screening, subtyping y segmentation mediante unos pocos ejemplos, podríamos estar ante algo más parecido a una “herramienta adaptativa” dentro del laboratorio, no solo un classifier cerrado. La diferencia es importante en entornos que no cuentan con equipos internos de machine learning o que no pueden construir datasets grandes para cada pregunta diagnóstica.
Aun así, el camino hacia el uso clínico no empieza ni termina con una cifra de AUC. El laboratorio necesita saber cómo rinde el modelo en casos límite, en artefacts y ante variaciones de fixation, section thickness y staining. También necesita leer su desempeño cuando baja la calidad de la muestra, cuando hay mixed patterns y cuando los casos no se parecen a los ocho ejemplos que se le dieron. No son detalles menores. Ahí se define la diferencia entre un modelo que funciona en un artículo y un sistema en el que se puede confiar dentro de un workflow real.
Hay otra pregunta para el patólogo: ¿cómo se mostrará el resultado? Si PRET se usa, por ejemplo, en lymph node metastasis detection, ¿entrega un heatmap revisable? ¿Marca las áreas sospechosas de una manera que ayude al examen, o añade otra capa de alertas innecesarias? ¿Mantendrá una sensibilidad alta sin elevar los false positives hasta un nivel que retrase el trabajo? Estas preguntas definen el valor práctico más que el nombre de la técnica utilizada.
El lado positivo de PRET es que dirige la discusión hacia un problema real en patología digital: cómo construir una IA que no requiera una reconstrucción completa en cada uso nuevo. En laboratorios con recursos limitados, esa diferencia puede separar un sistema que se puede probar de otro que queda fuera del uso. En centros grandes, también podría reducir el tiempo necesario para mover un modelo desde research hasta la validation interna.
En síntesis, PRET no debe leerse como un sustituto del patólogo ni como prueba definitiva de que el in-context learning esté listo para el sign-out. La lectura más precisa es que el modelo reduce uno de los mayores costes de la pathology AI: el coste de los datos anotados y del entrenamiento repetido. Si esta dirección se confirma en cohorts externas y bajo condiciones operativas cercanas al laboratorio diario, el in-context learning podría convertirse en una vía práctica para hacer que la AI pathology dependa menos del reentrenamiento y se adapte mejor.
Fuente: Pathology News