En patologia digital s'ha estès la idea que els models fundacionals, grans sistemes d'IA preentrenats amb milions d'imatges de teixit sense etiquetar, són la solució universal: un sol model que, amb pocs ajustos, serveix per a qualsevol tasca. L'alternativa és entrenar un model específic per a una sola tasca, com diagnosticar i graduar el càncer de pròstata, amb moltes imatges etiquetades pels patòlegs.
Un equip de l'Institut Karolinska de Suècia, amb Nita Mulliqi, Anders Blilie i Kimmo Kartasalo, ha comparat totes dues estratègies en un article publicat el 26 d'octubre a «Nature Communications». Han fet servir més de 100.000 biòpsies de pròstata de 6.268 pacients de 15 centres i han comparat un model específic amb dos models fundacionals coneguts, UNI i Virchow2. Amb poques dades d'entrenament, els fundacionals rendeixen millor; però quan hi ha prou biòpsies etiquetades, el model específic els iguala i en alguns casos els supera. La concordança amb la gradació dels patòlegs arriba a un índex kappa de 0,91 en tots els models amb les dades internes, i en centres externs és de 0,87 per al model específic, 0,86 per a UNI i 0,85 per a Virchow2.
Segons els autors, l'entrenament específic redueix clarament els errors de gradació, els diagnòstics equivocats de les morfologies difícils i la variabilitat causada per l'escàner o al laboratori. I els models fundacionals consumeixen fins a 35 vegades més energia. En un moment en què els hospitals han de decidir quina IA adopten, la conclusió és que el model més gran no és necessàriament el més adequat, i que el cost energètic també compta.
L'estudi se centra en una sola malaltia i en dos models fundacionals concrets, de manera que no es pot generalitzar a totes les tasques de patologia. Els autors no descarten els grans models: proposen combinar-los amb l'entrenament específic segons les dades disponibles. Una primera versió del treball es va publicar com a prepublicació el 2025; l'article actual ja ha passat la revisió per parells.