Este modelo podría acelerar la identificación de pacientes que probablemente no se benefician con los tratamientos estándar para ciertos tipos de cáncer.
Científicos de la Facultad de Medicina de Harvard diseñaron un nuevo modelo de inteligencia artificial (IA) capaz de realizar diversas tareas para el diagnóstico de distintos tipos de cáncer. Este modelo representa un avance significativo para el diseño y desarrollo de nuevas herramientas y soluciones de IA que respalden las decisiones clínicas en los diagnósticos y tratamientos de cáncer.
Este modelo es similar a los grandes modelos de lenguaje (LLM, en inglés), como GPT-4, Gemini o LLama 2. El funcionamiento de esta herramienta fue detallado en un artículo publicado en Nature. El estudio detalla que, para la evaluación de imágenes histopatológicas, que son clave en el diagnóstico del cáncer y la clasificación de sus subtipos, se utilizan modelos de IA especializados para cada tarea diagnóstica, sin embargo, estos modelos tienen problemas de generalización cuando se aplican a imágenes de distintas fuentes o poblaciones.
En términos generales, modelos anteriores suelen estar entrenados para realizar tareas específicas como detectar la presencia del cáncer o predecir el perfil genético de un tumor y pueden funcionar en pocos tipos de cáncer. En cambio, este modelo realiza una gran variedad de tareas para distintos tipos de cáncer, siendo una herramienta flexible, a la altura de un LLM.
Para lograr este avance, los autores desarrollaron el modelo Clinical Histopathology Imaging Evaluation Foundation o CHIEF, un marco de machine learning débilmente supervisado diseñado para extraer características de imágenes patológicas. CHIEF utiliza dos métodos de preentrenamiento complementarios: uno no supervisado para identificar características a nivel de azulejo (fragmentos de la imagen) y otro débilmente supervisado para reconocer patrones en la imagen completa.
“Nuestra ambición era crear una plataforma de inteligencia artificial ágil y versátil, similar a ChatGPT, que pudiera realizar una amplia gama de tareas de evaluación del cáncer”, declaró el autor principal del estudio, Kun-Hsing Yu, profesor adjunto de informática biomédica en el Instituto Blavatnik de la Facultad de Medicina de Harvard.
El modelo fue entrenado con un conjunto masivo de 60,530 imágenes de visualización histológica virtual de 19 sitios anatómicos diferentes es decir 19 tipos distintos de cáncer, y procesó 44 terabytes de datos de imágenes de alta resolución. En este sentido, CHIEF es capaz de extraer representaciones microscópicas útiles para identificar células cancerosas, determinar el origen del tumor, caracterizar perfiles moleculares y predecir el pronóstico del paciente.
Además, CHIEF fue validado con 19,491 imágenes adicionales de 32 conjuntos de visualización histológica virtual recolectadas en 24 hospitales y cohortes a nivel internacional, mostrando que superaba a los métodos de deep learning más avanzados hasta en un 36.1%. De esta forma, el estudio demuestra que el modelo es capaz de manejar variaciones en las muestras, debido a diferencias en los métodos de preparación de las imágenes histológicas virtuales y la diversidad poblacional, lo que lo convierte en una herramienta con un significativo potencial para su generalización y adopción para la evaluación digital del cáncer.
“Nuestro modelo resultó ser muy útil en múltiples tareas relacionadas con la detección, el pronóstico y la respuesta al tratamiento del cáncer en múltiples tipos de cáncer”, detalló Yu.
Entre los planes a futuro de los investigadores se encuentran perfeccionar el rendimiento de CHIEF y aumentar sus capacidades. Para ello será necesario realizar formación adicional sobre imágenes de tejidos de enfermedades raras y otras condiciones no cancerosas. De igual forma expondrán el modelo a más datos moleculares para mejorar su capacidad de identificar cáncer con diferentes niveles de agresividad. También buscarán entrenar el modelo para predecir también los beneficios y efectos adversos de nuevos tratamientos contra el cáncer, además de los tratamientos normales.