La patología digital ha emergido como un componente vital en el diagnóstico y tratamiento del cáncer, transformándose en un pilar fundamental para la atención médica y el desarrollo farmacéutico. Históricamente, la práctica de la patología ha dependido de la habilidad y experiencia de los patólogos para realizar un análisis minucioso de las muestras de tejido. Sin embargo, el creciente volumen y complejidad de los casos actuales subrayan la necesidad de herramientas avanzadas que faciliten diagnósticos más rápidos y precisos.
La digitalización de las diapositivas de patología, conocidas como imágenes de diapositivas completas y abreviadas como WSIs en inglés, ha dado paso al emergente campo de la patología computacional. A través de la inteligencia artificial aplicada a estas WSIs digitalizadas, se persigue obtener insights novedosos y optimizar los flujos de trabajo de anotaciones. En este contexto, las redes neuronales profundas a gran escala, conocidas como modelos base, han cobrado protagonismo. Estos modelos, entrenados mediante algoritmos de aprendizaje auto-supervisado en vastos conjuntos de datos, son capaces de capturar representaciones visuales complejas y patrones en las imágenes patológicas, lo que permite tareas avanzadas como la detección automática de enfermedades o el análisis de biomarcadores.
En un desarrollo reciente, la startup francesa Bioptimus ha lanzado H-optimus-0, el modelo de inteligencia artificial más grande actualmente disponible para el dominio de la patología. Este modelo, compuesto por 1.1 mil millones de parámetros, se entrenó utilizando un conjunto de datos que comprende cientos de millones de imágenes de más de medio millón de diapositivas histopatológicas. Este lanzamiento establece nuevas pautas de rendimiento en diagnósticos médicos críticos, como la identificación de células cancerosas y la detección de anomalías genéticas en tumores.
La integración de H-optimus-0 en Amazon SageMaker JumpStart representa un avance significativo en la accesibilidad de capacidades avanzadas de IA para instituciones sanitarias. Con un entrenamiento exhaustivo en más de 500,000 diapositivas, este modelo ofrece una herramienta valiosa para mejorar los flujos de trabajo en patología digital. El recurso proporciona guías sobre la utilización de H-optimus-0 en tareas típicas de patología digital, desde el análisis detallado a nivel de parches hasta evaluaciones diagnósticas a nivel de diapositivas completas, optimizando así el uso de recursos computacionales.
La implementación de flujos de trabajo de inteligencia artificial en patología digital se fundamenta en una combinación de servicios de AWS, creando un proceso escalable y eficiente. A nivel de parches, los análisis se focalizan de manera más detallada, permitiendo un uso optimizado de los recursos y acelerando los ciclos de desarrollo del modelo. En pruebas, el modelo ha demostrado un desempeño sobresaliente, alcanzando un 83% de precisión en la clasificación de imágenes de pólipos colorrectales y mostrando una efectiva segmentación nuclear en tejidos.
El uso de herramientas aceleradas por GPU potencia el análisis eficiente de imágenes de patología a gran escala, crucial para predecir factores como la inestabilidad de microsatélites, fundamental para decisiones terapéuticas en oncología. Estos avances no solo destacan la importancia de la digitalización en la patología, sino que reflejan un compromiso continuo con la mejora de resultados sanitarios a través de la innovación tecnológica.
