Microsoft Research y Paige han desarrollado PRISM2, un modelo fundacional de patología que se maneja escribiendo prompts en lugar de con software distinto para cada tarea, según Microsoft Source. Los pesos completos están publicados en Hugging Face para investigación.
En varias pruebas de referencia igualó o superó a sistemas especializados en detectar cáncer. Sistemas que llevan años construidos para hacer solo eso.
Puntos clave
- Desarrollado por Microsoft Research junto a Paige, empresa de patología digital que ahora forma parte de Tempus.
- Entrenado emparejando imágenes de tejido con el lenguaje de informes de patología reales, generando millones de ejemplos de pregunta y respuesta.
- Funciona con imagen sola o con imagen más texto.
- Igualó o superó a sistemas especializados en detección de cáncer de próstata, cáncer de mama y metástasis en ganglio linfático mamario.
- Es investigación, no producto clínico, y los pesos están disponibles públicamente en Hugging Face.
Qué cambia técnicamente
La patología digital lleva años funcionando con modelos de tarea única. Uno detecta cáncer de próstata en una biopsia. Otro cuenta mitosis. Otro clasifica el subtipo. Cada uno se entrena por separado, se valida por separado y se integra en el flujo del laboratorio por separado.
PRISM2 hace otra cosa. Al entrenarse con el lenguaje de los informes de patología, no solo con las imágenes y una etiqueta, aprende a relacionar lo que se ve en el tejido con cómo lo describe un patólogo. Eso permite preguntarle cosas en vez de ejecutar una función.
La consecuencia práctica es de despliegue, no de precisión. Un laboratorio que quiera añadir una tarea nueva no necesita entrenar un modelo nuevo. Necesita escribir la pregunta.
El socio tampoco es casual. Paige lleva años haciendo patología digital y ahora forma parte de Tempus, que opera a escala en diagnóstico oncológico. Es decir, quien aporta el emparejamiento entre imágenes e informes tiene acceso al volumen de casos reales que hace falta para generar millones de pares de pregunta y respuesta. Sin ese archivo, el método no se sostiene.
Superar a los especializados es el dato relevante
Que un modelo general iguale a uno especializado es lo que hace interesante el resultado. Durante años, el argumento contra los modelos fundacionales en medicina era que un sistema entrenado exclusivamente para una tarea siempre iba a ganar en esa tarea.
En próstata, mama y metástasis en ganglio linfático, esa ventaja ha desaparecido o se ha igualado. Con la cautela obligatoria: son pruebas de referencia, no ensayos clínicos, y el propio Microsoft lo presenta como investigación.
Los pesos abiertos, en este contexto
Publicar los pesos completos en Hugging Face para uso en investigación es una decisión que conviene leer junto a otra noticia de hoy: el informe de SaferAI sobre modelos de pesos abiertos sin salvaguardas.
Aquí el cálculo de riesgo es distinto y bastante más favorable. Un modelo que interpreta imágenes de tejido tiene un uso indebido difícil de imaginar, y en cambio la ganancia de que grupos de investigación de hospitales sin presupuesto puedan usarlo es directa. No todos los debates de apertura son el mismo debate.
Por qué importa
Si tu empresa no está en salud, el caso sigue siendo útil por el método. PRISM2 no se entrenó con imágenes etiquetadas por un equipo de anotadores. Se entrenó con lo que el laboratorio ya producía: los informes que los patólogos escriben todos los días junto a las imágenes que los acompañan.
Ese es el patrón que se repite en cada implantación de IA que funciona. El dato de valor no hay que fabricarlo, ya está escrito en algún sitio de la empresa y nadie lo está usando. Informes de incidencias, notas de los comerciales en el CRM, correos de soporte con la resolución al final del hilo.
Antes de plantearte etiquetar nada, mira qué texto genera tu operación ya y a qué está pegado. Ahí suele estar el conjunto de entrenamiento que crees que no tienes.
Relacionado
