{"id":66079,"date":"2025-12-23T09:53:58","date_gmt":"2025-12-23T15:53:58","guid":{"rendered":"https:\/\/saluddigital.com\/?p=66079"},"modified":"2025-12-23T10:00:10","modified_gmt":"2025-12-23T16:00:10","slug":"cientificos-de-harvard-detectan-sesgos-en-modelos-de-ia-usados-para-diagnosticar-cancer","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/cientificos-de-harvard-detectan-sesgos-en-modelos-de-ia-usados-para-diagnosticar-cancer\/","title":{"rendered":"Harvard scientists detect biases in AI models used to diagnose cancer"},"content":{"rendered":"
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

El estudio revela que algunos sistemas de IA en patolog\u00eda funcionan de manera desigual seg\u00fan caracter\u00edsticas demogr\u00e1ficas y propone una herramienta para reducir estas diferencias.<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

La patolog\u00eda ha sido durante d\u00e9cadas una pieza central en el diagn\u00f3stico y tratamiento del c\u00e1ncer<\/strong>. A partir del an\u00e1lisis microsc\u00f3pico de muestras de tejido, los pat\u00f3logos identifican el tipo y estadio de la enfermedad bas\u00e1ndose exclusivamente en se\u00f1ales biol\u00f3gicas visibles. En principio, este proceso no ofrece informaci\u00f3n sobre la identidad o el origen de los pacientes. Sin embargo, una nueva investigaci\u00f3n liderada por cient\u00edficos de Harvard sugiere que los modelos de inteligencia artificial (IA) aplicados a patolog\u00eda no siempre funcionan con la misma objetividad.<\/p>

El estudio, publicado en Cell Reports Medicine<\/em>, analiz\u00f3 varios modelos de IA dise\u00f1ados para diagnosticar distintos tipos de c\u00e1ncer a partir de im\u00e1genes de tejido humano. Los investigadores encontraron que estos sistemas muestran diferencias significativas en su precisi\u00f3n diagn\u00f3stica dependiendo del g\u00e9nero, la edad y la raza autorreportada de los pacientes.<\/p>

Al evaluar cuatro modelos ampliamente utilizados<\/strong>, el equipo observ\u00f3 que el desempe\u00f1o era desigual en casi un tercio de las tareas diagn\u00f3sticas. Por ejemplo, algunos modelos tuvieron dificultades para diferenciar subtipos de c\u00e1ncer de pulm\u00f3n en pacientes afroamericanos y hombres, as\u00ed como subtipos de c\u00e1ncer de mama en personas m\u00e1s j\u00f3venes. Tambi\u00e9n se detectaron fallas en la identificaci\u00f3n de c\u00e1nceres de mama, ri\u00f1\u00f3n, tiroides y est\u00f3mago en determinados grupos poblacionales.<\/p>

\u201cLeer informaci\u00f3n demogr\u00e1fica a partir de una l\u00e1mina de patolog\u00eda se considera una \u2018misi\u00f3n imposible\u2019 para un pat\u00f3logo humano, por lo que el sesgo en la IA fue una sorpresa para nosotros\u201d, explic\u00f3 Kun-Hsing Yu, autor principal del estudio y profesor asociado de inform\u00e1tica biom\u00e9dica en Harvard. Seg\u00fan Yu, esta falta de equidad puede afectar tanto la precisi\u00f3n diagn\u00f3stica como los resultados cl\u00ednicos de los pacientes.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

El an\u00e1lisis revel\u00f3 que el sesgo no se explica \u00fanicamente por la falta de representatividad en los datos de entrenamiento. Aunque los modelos suelen entrenarse con m\u00e1s muestras de ciertos grupos, los investigadores observaron que incluso cuando los tama\u00f1os de muestra eran similares, el desempe\u00f1o segu\u00eda siendo desigual. Una de las razones identificadas es que algunos tipos de c\u00e1ncer son m\u00e1s frecuentes en determinadas poblaciones, lo que lleva a que los modelos \u201caprendan\u201d patrones asociados a esos grupos y fallen cuando se enfrentan a otros menos representados.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t

\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Adem\u00e1s, los sistemas de IA pueden captar diferencias moleculares sutiles vinculadas a ciertos grupos demogr\u00e1ficos, como mutaciones gen\u00e9ticas m\u00e1s comunes en determinadas poblaciones. \u201cEncontramos que, debido a lo poderosa que es la IA, puede diferenciar se\u00f1ales biol\u00f3gicas muy sutiles que no son detectables mediante la evaluaci\u00f3n humana est\u00e1ndar\u201d, se\u00f1al\u00f3 Yu. Esto puede llevar a que el modelo priorice se\u00f1ales relacionadas con la demograf\u00eda en lugar de centrarse exclusivamente en la enfermedad.<\/p>

Ante esto, el equipo desarroll\u00f3 una nueva herramienta llamada FAIR-Path<\/strong>, dise\u00f1ada para reducir el sesgo en los modelos de patolog\u00eda. Esta metodolog\u00eda ajusta el proceso de entrenamiento para que la IA se concentre en las diferencias relevantes entre tipos de c\u00e1ncer y minimice la influencia de caracter\u00edsticas demogr\u00e1ficas. Al aplicar este enfoque, los investigadores lograron reducir las disparidades diagn\u00f3sticas en aproximadamente un 88%.<\/p>

\u201cDemostramos que con un peque\u00f1o ajuste los modelos pueden aprender caracter\u00edsticas m\u00e1s robustas, generalizables y justas para distintas poblaciones\u201d, afirm\u00f3 Yu. El hallazgo es relevante porque sugiere que es posible mejorar la equidad de la IA m\u00e9dica sin necesidad de contar, desde el inicio, con bases de datos perfectamente balanceadas.<\/p>

De cara al futuro, el equipo de Harvard planea colaborar con instituciones de distintas regiones del mundo para evaluar el alcance del sesgo en contextos con diferentes perfiles demogr\u00e1ficos y pr\u00e1cticas cl\u00ednicas. Tambi\u00e9n buscan explorar c\u00f3mo estos sesgos contribuyen a las desigualdades en la atenci\u00f3n m\u00e9dica y en los resultados de salud.<\/p>

Para los autores, el objetivo final es claro: desarrollar sistemas de inteligencia artificial que apoyen a los pat\u00f3logos humanos de manera precisa y equitativa. \u201cCreo que hay esperanza en que, si somos m\u00e1s conscientes y cuidadosos al dise\u00f1ar sistemas de IA, podamos construir modelos que funcionen bien en todas las poblaciones\u201d, concluy\u00f3 Yu.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t BIBLIOGRAPHY<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

HARVARD<\/strong><\/p>

https:\/\/hms.harvard.edu\/news\/researchers-discover-bias-ai-models-analyze-pathology-samples<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"

Cient\u00edficos de Harvard detectan sesgos en modelos de IA usados para diagnosticar c\u00e1ncer utilizando nuevo modelo de ptolog\u00eda FAIR-Path.<\/p>","protected":false},"author":1,"featured_media":66080,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-66079","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-big-data","category-noticias","tag-noticias"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/66079","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/comments?post=66079"}],"version-history":[{"count":7,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/66079\/revisions"}],"predecessor-version":[{"id":66088,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/66079\/revisions\/66088"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/66080"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=66079"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=66079"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=66079"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}