De la imagen sola a una comprensión más profunda
La mayoría de los sistemas de inteligencia artificial en patología se basan únicamente en el análisis de imágenes. El modelo MIL tradicional toma las láminas histológicas digitales y las clasifica según etiquetas predefinidas. El problema es que este enfoque queda limitado por las etiquetas con las que fue entrenado el modelo y no maneja bien los casos raros o inesperados.
PathAI propuso un enfoque distinto. En lugar de depender solo de las imágenes, su nuevo sistema de Multimodal Pathology combina las capacidades visuales de su modelo fundacional PLUTO-4 con descripciones lingüísticas del tejido. El objetivo no es solo mejorar la precisión, sino construir un sistema más flexible, capaz de adaptarse a nuevos diagnósticos sin un reentrenamiento completo.
Cómo funciona el sistema
El sistema usa aprendizaje contrastivo (Contrastive Learning) para conectar las representaciones de imagen procedentes de PLUTO con descripciones histológicas detalladas. El modelo aprende a alinear directamente las características visuales con el texto descriptivo, creando un espacio de representación compartido entre imagen y lenguaje.
Esto significa que el sistema no se limita a clasificar láminas dentro de categorías fijas, sino que entiende la relación entre lo que ve en la imagen y cómo lo describen los patólogos. El resultado es un sistema capaz de predecir términos de vocabulario abierto (open-vocabulary prediction) y de buscar en bases de datos de láminas mediante lenguaje natural.
Resultados clínicos
En dermatopatología (Dermatopathology), el sistema logró una mejora del 4-6% frente a modelos MIL basados solo en imágenes. En patología gastrointestinal (GI Pathology), la mejora fue mayor, alrededor del 8-10%.
Un punto práctico es que esta mejora llegó con un coste de inferencia (inference cost) similar. Es decir, el mejor rendimiento no exige recursos de cómputo adicionales durante el uso real.
Por qué esto importa para los patólogos
El sistema abre la puerta al diagnóstico basado en lenguaje natural. En lugar de reentrenar el modelo cada vez que aparece una nueva categoría diagnóstica, se puede describir el caso con palabras y el sistema entiende la relación. Esto acerca el funcionamiento de la IA a la manera en que piensa un patólogo, combinando lo que ve al microscopio con su conocimiento lingüístico y clínico.
Perspectivas futuras
La capacidad de buscar con lenguaje natural entre cientos de miles de láminas puede cambiar el trabajo de los laboratorios de patología. Un patólogo podría buscar casos similares a un caso concreto usando una descripción textual, en lugar de depender de clasificaciones predefinidas.
El modelo también puede manejar casos raros que no estaban incluidos en los datos de entrenamiento, porque el espacio lingüístico compartido permite generalizar a nuevos diagnósticos. Esto aborda uno de los mayores problemas de la IA médica: la dependencia excesiva de los datos disponibles durante el entrenamiento.
Fuente: Pathology News – PathAI