La patología digital se ha consolidado como un pilar fundamental en el diagnóstico y tratamiento del cáncer, desempeñando un papel crítico en el ámbito de la atención sanitaria y en la investigación y desarrollo farmacéutico. A medida que la complejidad y el volumen de casos aumenta, se hace necesario implementar herramientas avanzadas que faciliten a los patólogos la realización de diagnósticos más rápidos y precisos. Tradicionalmente, el trabajo patológico se ha basado en la experiencia y el juicio clínico, pero la creciente demanda ha impulsado la digitalización de las diapositivas, dando paso a la patología computacional.
La digitalización mediante imágenes de diapositivas completas (WSIs, por sus siglas en inglés) ha permitido el tratamiento de estas imágenes con inteligencia artificial (IA). La aplicación de IA a las WSIs generadas digitalmente busca obtener nuevas perspectivas y optimizar los flujos de trabajo de anotación existentes. Un avance vital en este contexto ha sido el desarrollo de arquitecturas de redes neuronales profundas de gran escala, conocidas como modelos base (FMs). Estos modelos son entrenados mediante algoritmos de aprendizaje auto-supervisado en vastos conjuntos de datos, lo que les otorga la capacidad para capturar una rica variedad de representaciones visuales y patrones inherentes a las imágenes patológicas.
Recientemente, la startup francesa Bioptimus ha hecho un anuncio significativo con el lanzamiento de H-optimus-0, un modelo de IA de base que ostenta el récord de ser el más grande y accesible públicamente para la patología. Esta innovadora herramienta, que cuenta con 1.1 mil millones de parámetros, fue entrenada con un conjunto de datos exclusivo que incluye cientos de millones de imágenes provenientes de más de 500,000 diapositivas histopatológicas. Este avance marca un nuevo estándar para el rendimiento en diagnósticos médicos, siendo capaz de realizar tareas críticas como la identificación de células cancerosas y la detección de anomalías genéticas en tumores.
La reciente incorporación de H-optimus-0 en Amazon SageMaker JumpStart representa un hito en la accesibilidad a capacidades avanzadas de IA para las organizaciones sanitarias. Este robusto modelo, cuyos resultados provienen de un entrenamiento exhaustivo sobre una cantidad notable de diapositivas histopatológicas, es una herramienta fundamental para optimizar los flujos de trabajo en patología digital. Además, el modelo facilita un enfoque detallado en el análisis de tejidos a nivel de parches y proporciona evaluaciones diagnósticas más generales a nivel de diapositivas.
La implementación de IA en la patología digital se apoya en una arquitectura que combina múltiples servicios de AWS, generando un canal eficaz y escalable. Los análisis a nivel de parches permiten un enfoque más específico, maximizando la eficiencia en el uso de recursos y acelerando los ciclos de desarrollo del modelo. En términos de rendimiento, este modelo ha demostrado una notable efectividad, alcanzando un 83% de precisión en la clasificación de imágenes de pólipos colorrectales, junto con una capacidad avanzada para la segmentación nuclear en tejidos.
La utilización de herramientas que emplean bibliotecas aceleradas por GPU facilita un análisis más ágil de las grandes imágenes en patología, ayudando a prever aspectos críticos como la inestabilidad de microsatélites, lo cual es esencial para las decisiones terapéuticas en el tratamiento del cáncer. Estos avances no solo resaltan la importancia de la digitalización en la patología, sino que también evidencian un compromiso continuo con la mejora de los resultados en salud mediante la innovación tecnológica.
