Los modelos de Artificial Intelligence (AI) en salud pueden ser más accesibles gracias a los modelos fundacionales.
Un modelo fundacional o foundation model es un término acuñado por Bimmasani et al, en 2021, para identificar modelos que implican de AI que se basan en conceptos e ideas clásicas del aprendizaje profundo, pero con dos diferencias principales. Estas diferencias son el aprendizaje de grandes cantidades de datos sin etiquetar y la adaptabilidad con una mejor eficiencia de la muestra.
Durante el último año los avances en AI al alcance de la población para realizar diversas actividades han sido más accesibles. Por ejemplo, para la creación de imágenes generadas por un modelo entrenado de AI; para resolver problemas matemáticos; para escribir poemas; o para responder preguntas más elaboradas.
En el caso de la AI aplicado en salud, la implementación de modelos probados en entornos clínicos sigue siendo muy limitada. Según la Universidad de Stanford, se han desarrollado cerca de 600 modelos para predecir resultados entre pacientes por COVID-19, sin embargo, ninguno se ha implementado para su uso en la atención de los pacientes. Algunos de los obstáculos son que los modelos dependen de la extracción de datos personalizados, conjuntos de capacitación, marcos regulatorios para el mantenimiento y monitoreo de la tecnología para el cuidado de la salud, entre otros.
Investigadores de Stanford explican detallan oportunidades clave para la próxima generación de modelos fundacionales de AI para su aplicación médica:
- Adaptabilidad de la AI con menos ejemplos etiquetados manualmente
- AI modular, reutilizable y robusta
- Haciendo de la multimodalidad la nueva normalidad
- Nuevas interfaces para la colaboración humano-AI
- Aliviando el costo de desarrollar, implementar y mantener AI en hospitales
Los modelos base o fundacionales, podrían mejorar la precisión de la AI en diagnósticos médicos sin requerir cientos de miles de imágenes etiquetadas por médicos para su entrenamiento. Asimismo, este tipo de modelos aprenden patrones útiles y pueden codificar la información en un conjunto de pasos del modelo. Aunque este proceso no es nuevo y se utiliza para adaptar modelos de manera sencilla y rápida para aplicarse en otros modelos, hace que los modelos fundacionales sean más eficientes para transferir el aprendizaje.
Los investigadores de Stanford reconocen que existen beneficios de los modelos fundacionales en su aplicación a la atención médica, por ejemplo, la utilización de modelos para más de un propósito. Los modelos fundacionales pueden capturar diversos conocimientos a partir de datos no etiquetados o bien los especialistas pueden entrenar modelos estos modelos base ya existentes, lo que reduce el tiempo de entrenamiento y la cantidad de datos para realizar esta acción.
