La patología digital se ha convertido en un elemento esencial en el diagnóstico y tratamiento del cáncer, desempeñando un papel crítico tanto en la atención sanitaria como en la investigación y desarrollo farmacéutico. Tradicionalmente, la patología ha dependido en gran medida de la experiencia y pericia de los patólogos para llevar a cabo un examen meticuloso de las muestras de tejido, pero la creciente complejidad y el volumen de casos han hecho necesario el desarrollo de herramientas avanzadas que ayuden a los patólogos a realizar diagnósticos más rápidos y precisos.
La digitalización de las diapositivas de patología, conocida como imágenes de diapositivas completas (WSIs, por sus siglas en inglés), ha dado origen al nuevo campo de la patología computacional. A través de la aplicación de inteligencia artificial (IA) a estas WSIs digitalizadas, los investigadores buscan obtener nuevas percepciones y mejorar los flujos de trabajo actuales de anotaciones. Un avance clave en este ámbito ha sido la aparición de arquitecturas de redes neuronales profundas a gran escala, conocidas como modelos base (FMs). Estos modelos se entrenan utilizando algoritmos de aprendizaje auto-supervisado en conjuntos de datos extensos, lo que les permite capturar un repertorio completo de representaciones visuales y patrones inherentes a las imágenes patológicas. La fortaleza de los FMs radica en su capacidad para aprender incrustaciones de datos robustas y generalizables que pueden transferirse y ajustarse eficientemente para diversas tareas subsiguientes, desde la detección automática de enfermedades y la caracterización de tejidos hasta el análisis cuantitativo de biomarcadores y la subtipificación patológica.
Recientemente, la startup francesa Bioptimus anunció el lanzamiento de H-optimus-0, el modelo de IA de base más grande y públicamente disponible para la patología. Este modelo, con 1.1 mil millones de parámetros, fue entrenado en un conjunto de datos propietario que incluye cientos de millones de imágenes extraídas de más de 500,000 diapositivas histopatológicas. Este avance establece un nuevo estándar para el rendimiento de diagnósticos médicos en tareas críticas, desde la identificación de células cancerosas hasta la detección de anomalías genéticas en tumores.
La reciente integración de H-optimus-0 en Amazon SageMaker JumpStart marca un hito significativo en la accesibilidad de capacidades avanzadas de IA para las organizaciones de atención médica. Este potente modelo, con su exhaustivo entrenamiento en más de 500,000 diapositivas histopatológicas, representa una herramienta valiosa para las organizaciones que buscan mejorar sus flujos de trabajo de patología digital.
Este recurso también muestra cómo utilizar H-optimus-0 para tareas comunes en patología digital, abarcando análisis a nivel de parches para un examen detallado del tejido y análisis a nivel de diapositivas para evaluaciones diagnósticas más amplias. A través de ejemplos prácticos, se ilustra cómo adaptar este modelo a estos casos específicos mientras se optimizan los recursos computacionales.
La implementación de flujos de trabajo de IA en patología digital se basa en una arquitectura que combina varios servicios de AWS, creando un canal eficaz y escalable. Los análisis a nivel de parches son fundamentales, permitiendo un enfoque más dirigido que optimiza el uso de recursos y acelera los ciclos de desarrollo del modelo. El modelo ha demostrado un rendimiento notable, alcanzando un 83% de precisión en la clasificación de imágenes de pólipos colorrectales, así como una capacidad precisa para la segmentación nuclear en tejidos.
El uso de herramientas como bibliotecas aceleradas por GPU permite un análisis más eficiente de las grandes imágenes de patología, ayudando a predecir aspectos cruciales, como la inestabilidad de microsatélites, que guía decisiones terapéuticas en el tratamiento del cáncer. Estos desarrollos no solo subrayan la importancia de la digitalización en la patología, sino que también reflejan un compromiso continuo hacia la mejora de los resultados de salud a través de la innovación tecnológica.
vía: AWS machine learning blog
