¿Qué aporta Haiku a la patología digital?
Un equipo de University of Pennsylvania y Enable Medicine presentó un nuevo modelo llamado Haiku, un foundation model trimodal que conecta imágenes H&E, datos de spatial proteomics procedentes de multiplexed immunofluorescence y texto clínico dentro de un único espacio de embedding. El trabajo está publicado como preprint en arXiv con el título: Linking spatial biology and clinical histology via Haiku.
La idea no es solo añadir otro canal de datos a un modelo ya existente. El valor de Haiku está en hacer que la morfología, la señal proteica espacial y el contexto clínico puedan compararse y recuperarse entre sí. Para el patólogo, la pregunta es práctica: ¿puede una imagen H&E orientar hacia posibles marcadores proteicos? ¿Puede una descripción clínica recuperar regiones tisulares o patrones de mIF relacionados?
El tamaño de los datos usados para entrenar el modelo
El entrenamiento de Haiku se basó, según el equipo, en una de las mayores colecciones publicadas en esta línea. El conjunto incluye más de 26,7 millones de patches de spatial proteomics, tomados de 3.218 cortes histológicos vinculados a 1.606 pacientes. Los datos cubren 11 órganos, 11 enfermedades y 120 biomarkers, con alineación entre H&E, multiplexed immunofluorescence y datos clínicos.
Esto importa porque muchos modelos de patología digital trabajan solo con H&E, o añaden texto y datos clínicos en una fase posterior. Haiku intenta entrenar la representación sobre la relación entre los tres canales, no sobre cada canal por separado.
Cómo se conectan H&E, mIF y texto
El modelo usa contrastive learning para acercar las muestras emparejadas entre distintas modalidades y alejar las no emparejadas. Así, una imagen H&E, una imagen mIF y su descripción clínica quedan representadas dentro de un espacio común. El resultado permite cross-modal retrieval en tres direcciones: de H&E a mIF, de mIF a texto y de texto a imágenes.
En los resultados del artículo, el Recall@50 alcanzó 0,611 en algunas tareas de recuperación, frente a una línea base cercana a cero. Ese número no significa que el modelo esté listo como herramienta diagnóstica, pero sí muestra que las representaciones aprendidas capturan una relación medible entre morfología, inmunidad espacial y contexto clínico.
Resultados clínicos y biomarcadores sin medición directa
El equipo evaluó Haiku en tareas downstream, incluida la predicción de supervivencia en cáncer colorrectal, donde obtuvo un C-index de 0,737 con una mejora relativa del 7,91% frente a modelos unimodal citados en el trabajo. Los resultados también incluyeron predicción de respuesta al tratamiento, con un AUPRC de 0,660 en melanoma y 0,775 en colorectal cancer.
La parte más relevante para los laboratorios que piensan en conectar H&E con spatial biology es la zero-shot biomarker inference. En esta prueba, Haiku pudo inferir señales en 52 canales de biomarker con una correlación media de Pearson de 0,718, sin incluir información de biomarker directamente en la consulta textual. Esto no sustituye a la medición de laboratorio, pero puede ayudar a ordenar hipótesis y a seleccionar casos o regiones que merecen una medición más profunda.
Counterfactual prediction: qué ocurre si fijamos el tejido y cambiamos el contexto clínico
El artículo presentó un marco analítico que mantiene la morfología sin cambios y modifica solo los datos clínicos dentro de la consulta. El objetivo es observar los cambios moleculares esperados asociados a un contexto clínico distinto. En un ejemplo de lung adenocarcinoma, el modelo recuperó cambios asociados a mejor pronóstico, entre ellos aumento de CD8 y granzyme B, y descenso de PD-L1 y Ki67.
Estos resultados deben leerse como los describen los autores: señales exploratorias para generar hipótesis, no afirmaciones mecanísticas ni sustitutos de experimentos. La fuerza de este tipo de análisis está en ofrecer una forma ordenada de preguntar: si el tejido permanece igual, ¿qué patrón molecular cambia al modificar una variable clínica concreta?
Por qué esto importa para los patólogos
Con la expansión de spatial omics, el problema ya no es solo producir datos. El problema es interpretarlos y conectarlos con el paisaje histológico y el contexto clínico. Haiku propone una vía distinta: en lugar de tratar H&E, mIF y datos clínicos como tablas e imágenes separadas, los representa dentro de un mismo espacio que permite recuperación, comparación y generación de hipótesis.
Para la patología digital, este tipo de modelo puede ser útil en tres áreas: seleccionar regiones de interés antes de mediciones costosas, conectar patrones morfológicos con señales del immune microenvironment y construir herramientas de investigación que ayuden a interpretar cohorts grandes sin analizar cada capa de datos de forma aislada.
Pero el camino hacia el uso clínico todavía requiere validación externa, cohorts independientes y evaluaciones prospective que conecten la recuperación y la predicción con resultados accionables dentro del workflow de patología. El artículo es sólido como dirección de investigación, no como producto clínico terminado.
Enlaces de la fuente
El artículo en arXiv: https://arxiv.org/abs/2605.00925v1
Código y checkpoints: https://github.com/zhihuanglab/Haiku
Sugerencias de enlaces internos
- Foundation models en patología digital
- Uso de spatial biology en la interpretación de tumores
- Cómo la inteligencia artificial cambia la lectura de H&E