La patología digital está dejando una huella indeleble en el ámbito médico, modificando significativamente la manera en que se diagnostican y tratan enfermedades, en especial el cáncer. En este contexto, la innovación tecnológica juega un papel crucial. Una de las más recientes novedades viene de la mano de la startup francesa Bioptimus, que ha lanzado H-optimus-0, el modelo de inteligencia artificial más grande disponible en el dominio de la patología.
Hasta ahora, los patólogos han dependido grandemente de sus habilidades y experiencia para el análisis detallado de muestras de tejido. Sin embargo, la creciente complejidad y el volumen de pacientes han provocado la necesidad de herramientas avanzadas que faciliten diagnósticos más certeros y veloces. Aquí es donde la digitalización y la inteligencia artificial (IA) intervienen para transformar el panorama médico.
La digitalización de las diapositivas patológicas, conocidas en el medio como WSIs (Whole Slide Images), ha dado origen a la patología computacional. En este campo, la IA se aplica para extraer nuevos conocimientos y mejorar los flujos de trabajo actuales relacionados con la anotación de dichas imágenes. Un hito en este terreno ha sido el desarrollo de modelos base (FMs), arquitecturas de redes neuronales profundas entrenadas con aprendizaje auto-supervisado sobre grandes volúmenes de datos. Estos modelos tienen la capacidad de aprender representaciones robustas y adaptables que se utilizan en tareas específicas como detección de enfermedades, caracterización de tejidos y análisis de biomarcadores.
H-optimus-0, desarrollado por Bioptimus, comprende 1.1 mil millones de parámetros entrenados con un extenso conjunto de datos que contempla cientos de millones de imágenes de más de 500,000 diapositivas histopatológicas. Este modelo establece un nuevo estándar en precisión de diagnóstico para la identificación de células cancerosas y análisis genéticos de anomalías tumorales.
La integración de H-optimus-0 en Amazon SageMaker JumpStart representa un avance significativo en la accesibilidad de capacidades avanzadas de IA para las organizaciones de salud. Ahora, más entidades pueden beneficiarse de la capacidad analítica de este modelo, que no solo optimiza los procedimientos al nivel del tejido, sino que también mejora las evaluaciones a nivel de diapositiva.
Además, el modelo demuestra una eficiencia notable en la segmentación y clasificación de imágenes, alcanzando un 83% de precisión en la identificación de pólipos colorrectales y una capacidad precisa para la segmentación nuclear en tejidos. Utilizando herramientas como las bibliotecas aceleradas por GPU, se optimiza el análisis de grandes imágenes de patología, ayudando en el diagnóstico y tratamiento del cáncer al predecir inestabilidades de microsatélites.
Estos desarrollos en la patología digital no solo realzan la importancia de la digitalización en la medicina moderna, sino que evidencian un compromiso constante hacia la mejora de los resultados de salud mediante la innovación tecnológica.