Un nuevo tipo de modelos podría hacer que la IA en salud sea más accesible y adaptable.
El desarrollo de la inteligencia artificial (IA) ha avanzado enormemente en el último año, destacando en áreas como la generación de texto, imágenes y videos. Modelos como GPT-3, BLOOM y Stable Diffusion han sorprendido al público por su capacidad para resolver problemas, escribir poemas y traducir descripciones textuales en imágenes y videos. Estos avances han capturado la imaginación del público y han mostrado el creciente papel de los modelos fundamentales, un tipo de modelo de IA que se entrena con grandes volúmenes de datos no etiquetados y es altamente adaptable para nuevas aplicaciones. En el sector salud, sin embargo, la transición de estas demostraciones tecnológicas a aplicaciones clínicas ha sido más complicada.
A pesar de que la IA tiene el potencial de mejorar los resultados clínicos, reducir costos y beneficiar a los pacientes, son pocos los modelos que se despliegan en la práctica médica. Un ejemplo claro es que, de los aproximadamente 593 modelos desarrollados para predecir resultados en pacientes con COVID-19, casi ninguno ha sido implementado en el cuidado de pacientes. El proceso de despliegue se ve obstaculizado por la necesidad de utilizar datos personalizados, conjuntos de entrenamiento improvisados y métodos manuales de mantenimiento en los sistemas de TI de salud.
En este artículo, se exploran las oportunidades que los modelos fundamentales ofrecen para crear una mejor IA en el sector salud. Primero, se define qué son estos modelos y su relevancia en este campo, y luego se destacan las oportunidades clave que brindan, tales como:
- Mayor adaptabilidad de la IA con menos ejemplos etiquetados manualmente.
- IA modular, reutilizable y robusta.
- Hacer de la multimodalidad una norma.
- Nuevas interfaces para la colaboración entre humanos y IA.
- Reducción de los costos de desarrollo, despliegue y mantenimiento de IA en hospitales.
¿Qué es un “Modelo Fundamental”?
El término “modelo fundamental” fue acuñado en 2021 para describir una clase de modelos de IA que se entrenan con grandes cantidades de datos no etiquetados y son altamente eficientes para transferir el aprendizaje a nuevas tareas. A diferencia de los modelos de IA tradicionales, que requieren grandes conjuntos de datos manualmente etiquetados, los modelos fundamentales utilizan el aprendizaje autosupervisado, lo que permite que sean más rápidos de adaptar a nuevos desafíos con menos datos etiquetados, algo crucial en la medicina, donde algunas enfermedades son raras o difíciles de etiquetar.
¿Por qué los Modelos Fundamentales Importan en el Sector Salud?
En el sector salud, la información contenida en los registros médicos electrónicos (EHR) puede ser utilizada para entrenar modelos que asistan en el diagnóstico o en la intervención proactiva de enfermedades. Sin embargo, la creación y gestión de estos modelos en la actualidad es costosa y laboriosa, con proyectos que cuestan más de $300,000, lo que incluye tanto el desarrollo inicial como el mantenimiento posterior.
Los modelos fundamentales ofrecen una alternativa que podría reducir significativamente estos costos. Al poder adaptarse rápidamente a nuevas tareas con menos datos etiquetados, estos modelos permiten desarrollar IA personalizada para hospitales de manera más rápida y asequible.
Beneficios de los Modelos Fundamentales en Salud
Adaptabilidad con Menos Ejemplos Etiquetados
Tradicionalmente, los modelos en salud se entrenan para realizar una única tarea, como la predicción de sepsis, y luego se implementan en software. Sin embargo, estos modelos suelen tener un rendimiento limitado en diferentes hospitales debido a las variaciones en los datos de los pacientes. Los modelos fundamentales, en cambio, se pueden adaptar a nuevos entornos con mucha mayor facilidad, lo que reduce la necesidad de volver a entrenar cada modelo de manera personalizada.
IA Modular, Reutilizable y Robusta
Los modelos fundamentales permiten que los desarrolladores compartan y reutilicen modelos ya entrenados, acelerando la innovación y permitiendo una mayor evaluación de sus limitaciones. Esto es particularmente relevante en el sector salud, donde compartir modelos puede ayudar a identificar sesgos y errores antes de su implementación clínica.
Multimodalidad como Nueva Norma
Los registros médicos contienen una variedad de datos, desde notas clínicas hasta imágenes y resultados de laboratorio. Los modelos fundamentales pueden combinar múltiples modalidades durante el entrenamiento, lo que permite un análisis más completo del estado de salud de un paciente. Esta capacidad multimodal ofrece nuevas formas de interactuar con la IA, como usar descripciones de texto para buscar anomalías en bases de datos de imágenes médicas.
Nuevas Interfaces para la Colaboración Humano-IA
Los modelos fundamentales también abren la puerta a nuevas formas de interactuar con la IA, como interfaces de lenguaje natural. Esto permitiría a los clínicos interrogar y afinar los resultados de los modelos de manera más efectiva, lo que mejoraría la colaboración entre humanos y máquinas.
Reducción de Costos en el Desarrollo y Despliegue
El costo actual de desarrollar y mantener modelos de IA en el sector salud es insostenible. Los modelos fundamentales, al ser más reutilizables y modulares, permiten un enfoque más económico y eficiente para desarrollar IA que pueda manejar múltiples tipos de datos y resistir cambios en los mismos.
Conclusión
La adopción de modelos fundamentales en el sector salud tiene el potencial de transformar cómo se utiliza la IA en hospitales y clínicas. Al reducir el tiempo y los costos necesarios para desarrollar y mantener estos modelos, podemos enfocarnos en asegurar que su uso sea justo, eficiente y que realmente mejore la atención clínica.