Microsoft Research y Paige han desarrollado PRISM2, un modelo fundacional que combina imágenes de tejidos con el lenguaje procedente de informes anatomopatológicos reales. En las pruebas realizadas, el sistema igualó o superó a modelos especializados en diferentes tareas relacionadas con la detección del cáncer.

La inteligencia artificial lleva tiempo demostrando su capacidad para identificar patrones en imágenes médicas. Sin embargo, trasladar estos avances a la anatomía patológica presenta una dificultad importante: muchos de los sistemas actuales están diseñados para resolver una única tarea y necesitan ser desarrollados o adaptados específicamente cuando cambia la aplicación.

Una nueva investigación de Microsoft Research y Paige, actualmente parte de Tempus, plantea una alternativa. Los investigadores han desarrollado PRISM2, un modelo fundacional de inteligencia artificial concebido para abordar diferentes tareas de anatomía patológica desde una misma arquitectura.

La investigación, publicada recientemente en Nature Medicine, explora además una idea especialmente relevante para el futuro de la IA médica: enseñar a los modelos no solo a interpretar lo que aparece en una imagen, sino también a comprender el lenguaje que los especialistas utilizan para describirlo.

Imágenes médicas y lenguaje en un mismo modelo

La anatomía patológica tiene un componente visual evidente. Los especialistas examinan muestras de tejidos para identificar alteraciones y establecer diagnósticos que posteriormente pueden resultar determinantes para decidir el tratamiento de un paciente.

Pero esta disciplina también genera una enorme cantidad de información textual a través de los informes anatomopatológicos.

PRISM2 busca aprovechar ambas fuentes.

Durante su entrenamiento, los investigadores relacionaron imágenes de tejidos con información procedente de informes reales de anatomía patológica. A partir de este material generaron millones de ejemplos en formato de preguntas y respuestas para enseñar al modelo a conectar los patrones visuales presentes en las muestras con el lenguaje empleado por los profesionales durante el proceso diagnóstico.

Este enfoque permite que el sistema pueda trabajar únicamente con imágenes o combinar información visual y textual. Además, los investigadores pueden interactuar con el modelo mediante instrucciones o preguntas, en lugar de depender exclusivamente de herramientas desarrolladas para una función concreta.

Un único modelo para diferentes tipos de cáncer

Uno de los aspectos más destacados de la investigación aparece en sus resultados.

Durante las pruebas, PRISM2 igualó o superó el rendimiento de sistemas especializados de detección de cáncer en diferentes benchmarks, incluyendo tareas relacionadas con el cáncer de próstata, el cáncer de mama y la detección de metástasis del cáncer de mama en los ganglios linfáticos.

La diferencia está en que estos resultados se consiguieron sin desarrollar un modelo independiente para cada una de esas funciones.

Esta capacidad podría facilitar en el futuro el desarrollo de nuevas herramientas de inteligencia artificial aplicadas a la anatomía patológica, ya que los investigadores podrían partir de un mismo modelo fundacional y adaptarlo a diferentes casos de uso, en lugar de comenzar desde cero cada vez que quieran resolver un nuevo problema.

De reconocer imágenes a comprender su contexto

Los modelos fundacionales también están transformando el desarrollo de la IA médica.

Muchas aproximaciones anteriores en anatomía patológica se habían centrado principalmente en enseñar a los algoritmos a reconocer características visuales de las muestras. PRISM2 incorpora desde su diseño la relación entre esas imágenes y el lenguaje clínico utilizado para interpretarlas.

La idea es especialmente significativa porque una imagen médica rara vez existe de manera aislada dentro de la práctica clínica. Su interpretación se acompaña de información, observaciones y conclusiones que proporcionan contexto sobre lo que el especialista está observando.

Al conectar ambos mundos, los investigadores buscan que la IA pueda desarrollar representaciones más completas de la información anatomopatológica y servir como base para futuras aplicaciones.

La IA médica avanza hacia modelos más versátiles

El desarrollo de PRISM2 refleja una tendencia que se extiende mucho más allá de la anatomía patológica: el paso de sistemas de inteligencia artificial extremadamente especializados hacia modelos fundacionales capaces de abordar diferentes tareas a partir de una misma base tecnológica.

En el ámbito sanitario, esta evolución podría acelerar la investigación y reducir la necesidad de construir soluciones completamente independientes para cada problema clínico.

No obstante, PRISM2 se presenta actualmente como una herramienta destinada a investigación y desarrollo, no como sustituto del criterio de los profesionales sanitarios.

Microsoft y sus colaboradores han hecho públicos los pesos completos del modelo para uso investigador, permitiendo que la comunidad científica pueda experimentar con esta tecnología y estudiar nuevas aplicaciones.

La investigación abre así una nueva vía para la IA aplicada a la medicina: sistemas capaces no solo de detectar patrones en una muestra de tejido, sino de empezar a relacionarlos con el mismo lenguaje especializado que utilizan los profesionales para interpretarlos.