Alibaba liberó un modelo abierto de diagnóstico por tomografía. El modelo, llamado RADAR, identificó 146 hallazgos en exámenes de abdomen. Según un estudio publicado en Science, superó a 23 de 26 radiólogos especialistas en ocho centros independientes. Analiza tomografías computarizadas con contraste de 18 órganos y alcanzó una precisión media de 0,913 en cerca de 40.000 exámenes reales.
El sistema aprendió de los informes que redactaron los propios médicos. No hubo anotación manual de las imágenes. Su entrenamiento usó más de 400.000 exámenes de tomografía con contraste y 15 millones de pares de imagen y texto. Aprender de los informes, en lugar de etiquetas, ahorra el trabajo manual que encarece otros sistemas médicos.
RADAR se publica bajo una licencia abierta para uso de investigación, sin fines comerciales. Un modelo abierto de diagnóstico por tomografía permite a hospitales y universidades descargar el código y los pesos, y probarlo con sus propios datos. El repositorio del proyecto advierte que faltan estudios clínicos prospectivos antes de cualquier uso asistencial.
Cómo funciona un modelo abierto de diagnóstico por tomografía
Ese método lo separa de la mayoría de los sistemas actuales. Los modelos de radiología suelen entrenarse para detectar una sola enfermedad. RADAR, en cambio, revisa una tomografía completa y busca 146 condiciones a la vez. Entre ellas hay tumores malignos, lesiones vasculares y alteraciones del hígado, el páncreas y el riñón.
El laboratorio que lo desarrolló, Damo Academy de Alibaba, ya había publicado otros modelos médicos en abierto. El código, los pesos y los datos de apoyo se liberaron en GitHub, Hugging Face y ModelScope. La licencia no comercial busca que la investigación avance sin que nadie cobre por el modelo. La publicación en varias plataformas apunta a llegar al mayor número de equipos posible.
La liberación se produce mientras varios laboratorios compiten por publicar modelos médicos abiertos. Frente a los sistemas cerrados de las firmas estadounidenses, el código abierto permite que cualquier hospital audite el modelo y lo adapte a su población. Esa es la diferencia que destaca el equipo de Alibaba.
El resultado no fue absoluto. Tres de los veintiséis radiólogos superaron al modelo, un dato que los autores consignan en el propio estudio. En las pruebas, el sistema redujo los diagnósticos omitidos en diez por ciento y el tiempo de revisión en treinta por ciento. La función que proponen es la de un lector de apoyo, no la de un sustituto.
Acceso a la lectura experta y el debate por la descualificación
El valor principal que plantea el estudio es el acceso. Una sola tomografía de abdomen puede revisarse en busca de 146 hallazgos a la vez. Esa tarea exige tiempo y especialistas. La lectura de una tomografía exige años de formación, y donde faltan esos especialistas el examen puede quedar sin revisar. Un modelo así acerca esa lectura experta a equipos que hoy no la tienen.
El Financial Times informó que el 74 por ciento de los clínicos consultados advierte un riesgo de descualificación si delegan la lectura en la máquina. Connecticut se convirtió en el primer estado de Estados Unidos en prohibir que una inteligencia artificial rechace reclamaciones de salud sin revisión humana. La llegada de modelos abiertos acelera el mismo debate en sistemas con menos especialistas.
La publicación abierta traslada el modelo desde el laboratorio hasta cualquier centro que quiera validarlo con sus propios exámenes. El estudio no certifica su uso clínico. Documenta su precisión y lo deja disponible para que cada hospital decida. Alibaba describe el lanzamiento como una herramienta de investigación, no como un producto terminado.
Otras fuentes consultadas: South China Morning Post (19/09), TechTimes (19/09), NDTV Profit (21/09), Dataconomy (21/09).
