CytoDiffusion, un modelo de Cambridge logra detectar anomalías en células sanguíneas, manejar incertidumbre y generar imágenes indistinguibles de las reales.
Investigadores de Cambridge desarrollaron un sistema denominado CytoDiffusion que utiliza inteligencia artificial (IA) generativa, para estudiar la forma y estructura de las células sanguíneas .Un estudio detallando los avances de este modelo fueron publicados en Nature Machine Intelligence.
Según el equipo de Cambridge, CytoDiffusion promete mejorar la evaluación de la morfología de células sanguíneas. El estudio señala que este enfoque supera a los modelos tradicionales en áreas clave para su uso clínico: detección de anomalías, resistencia a variaciones en las imágenes, eficiencia con pocos datos y capacidad para cuantificar incertidumbre.
“Todos tenemos muchos tipos diferentes de células sanguíneas con distintas propiedades y funciones en nuestro cuerpo”, afirmó Simon Deltadahl, del Departamento de Matemáticas Aplicadas y Física Teórica de Cambridge, primer autor del estudio. “Por ejemplo, los glóbulos blancos se especializan en combatir infecciones. Saber cómo se ve una célula sanguínea anormal o enferma al microscopio es fundamental para el diagnóstico de muchas enfermedades”.
La evaluación de la forma y características de las células sanguíneas es una parte crítica del diagnóstico en hematología, pero depende en gran parte de la experiencia del personal especializado. Los modelos actuales de aprendizaje automático o machine learning suelen enfocarse en clasificar imágenes según etiquetas predefinidas, lo que limita su capacidad para detectar patrones raros o manejar condiciones variables entre laboratorios.
CytoDiffusion adopta un enfoque distinto: en lugar de aprender únicamente fronteras de decisión entre clases, modela la distribución completa de las morfologías celulares. Esta estrategia permite que el sistema genere imágenes sintéticas altamente realistas, reconozca células inusuales que no estaban en los datos de entrenamiento y mantenga un desempeño estable incluso ante cambios en la iluminación, el microscopio o el proceso de tinción.
Para el desarrollo de esta herramienta de IA generativa, los científicos entrenaron el sistema con más de medio millón de imágenes de frotis sanguíneos del Hospital Addenbooke. Se trata del conjunto de datos más grande en su tipo, que incluyó tipos de células sanguíneas comunes como ejemplos más raros, así como elementos suelen confundir a los sistemas automatizados.
Durante las pruebas, el modelo generó imágenes que resultaron prácticamente indistinguibles para un panel de diez hematólogos, quienes no pudieron diferenciar entre imágenes reales y sintéticas más allá del nivel del azar. “Eso me sorprendió mucho”, dijo Deltadahl. “Estas personas se pasan el día mirando glóbulos, y ni siquiera ellos lo notaban”. Además, el sistema mostró una sensibilidad superior a la de otros modelos al identificar células anómalas, incluidas blastos, relevantes para el diagnóstico temprano de leucemias.
En este sentido, el estudio también destaca que CytoDiffusion ofrece una estimación más confiable de su propia incertidumbre, comparada incluso con especialistas humanos. Esto abre la puerta a sistemas de apoyo clínico que automaticen los casos simples y redirijan los más dudosos al personal médico. Como complemento, el modelo puede generar mapas de calor contrafactuales, una forma de explicación visual que muestra qué partes de la imagen tendrían que cambiar para que la célula fuera clasificada como otro tipo.
“Cuando probamos su precisión, el sistema fue ligeramente mejor que el de los humanos”, detalló Deltadahl. “Pero donde realmente destacó fue en saber cuándo era incierto. Nuestro modelo nunca diría que era seguro y luego se equivocaría, pero eso es algo que los humanos a veces hacen”.
Por su parte, Michael Roberts, coautor principal y también del Departamento de Matemáticas Aplicadas y Física Teórica de Cambridge explicó que: “Evaluamos nuestro método frente a muchos de los desafíos que presenta la IA en el mundo real, como imágenes nunca antes vistas, imágenes capturadas por diferentes máquinas y el grado de incertidumbre en las etiquetas”, afirmó el profesor “Este marco ofrece una visión multifacética del rendimiento del modelo, lo cual creemos que será beneficioso para los investigadores”.
Los autores también comunicaron que publicarán este conjunto de datos de manera abierta, por lo que esperan motivar a investigadores a nivel global a contribuir y probar nuevos modelos de IA que democraticen el acceso a datos médicos de alta calidad.
Los investigadores sugieren que este enfoque generativo podría establecer un nuevo estándar en la evaluación de imágenes en hematología, al combinar precisión con interpretabilidad y capacidad de generalización. Y aunque este modelo no reemplaza el juicio clínico, se trata de una revolucionaria herramienta que puede facilitar su trabajo de manera significativa. Asimismo, los investigadores reconocen que será necesario más trabajo para perfeccionar y mejorar la velocidad del sistema y probarlo en diversas poblaciones de pacientes para garantizar imparcialidad y precisión.
“El verdadero valor de la IA en el ámbito sanitario no reside en aproximarse a la experiencia humana a un menor coste, sino en permitir un mayor poder de diagnóstico, pronóstico y prescripción que el que pueden alcanzar los expertos o los modelos estadísticos simples”, afirmó el profesor Parashkev Nachev, del UCL y coautor principal. “Nuestro trabajo sugiere que la IA generativa será fundamental para esta misión, transformando no solo la fidelidad de los sistemas de apoyo clínico, sino también su comprensión de los límites de su propio conocimiento. Esta conciencia metacognitiva —saber lo que uno no sabe— es crucial para la toma de decisiones clínicas, y aquí demostramos que las máquinas podrían ser mejores en esto que nosotros”, concluyó.
