Las herramientas de IA para el cáncer corren el riesgo de un “aprendizaje por atajos” en lugar de detectar la biología real

Una investigación de la Universidad de Warwick advierte que muchas herramientas de IA de aprendizaje profundo desarrolladas para predecir la biología del cáncer a partir de imágenes microscópicas podrían estar utilizando "atajos" estadísticos en lugar de aprender señales biológicas verdaderas, lo que las hace poco fiables para la atención real del paciente. El autor principal, Dr. Fayyaz Minhas, comparó esto con juzgar la calidad de un restaurante por la cola de espera en lugar de lo que sucede en la cocina. El estudio analizó más de 8,000 muestras de cuatro tipos de cáncer y encontró que los modelos a menudo dependían de características correlacionadas (por ejemplo, predecir una mutación BRAF basándose en la inestabilidad de microsatélites, MSI) en lugar de la señal causal de BRAF. Cuando se evaluó el rendimiento en subgrupos de pacientes donde desaparecían estos atajos, la precisión cayó sustancialmente. Los autores enfatizan que la IA debe demostrar una ganancia de información superior a la simple calificación asignada por el patólogo y exigen protocolos de evaluación más estrictos que fuercen a los algoritmos a aprender la biología real. Concluyen que, si bien la IA es valiosa para la investigación y el triaje, las herramientas futuras deben adoptar modelos causales, y las actuales requieren una evaluación rigurosa y consciente de los sesgos antes de su implementación clínica rutinaria, advirtiendo que no deben verse como reemplazos de las pruebas moleculares.

(Fuente：Warwick Ac Uk)