Quan un patòleg examina una biòpsia, no mira cada mostra de teixit per separat: relaciona el que veu a diferents augments del microscopi i entre totes les mostres d'un mateix pacient per arribar a un diagnòstic. Els models d'intel·ligència artificial de patologia fets fins ara funcionen d'una altra manera: trossegen cada imatge digitalitzada en milers de fragments minúsculs i n'agreguen les característiques per separat, sense reproduir aquesta mirada de conjunt.
Un equip liderat per Saghir Alfasly, Wataru Uegami i Sobhan Hemati, amb investigadors de la Clínica Mayo, ha presentat WILSON, un model de visió i llenguatge entrenat amb prop de 189.000 mostres de 42 òrgans i 829 diagnòstics diferents, que representa totes les imatges d'un cas en una sola composició a diversos augments, fent servir els informes dels mateixos patòlegs com a guia d'aprenentatge. Sense cap entrenament addicional específic, WILSON supera un model dedicat a l'anàlisi per casos (una puntuació de 0,52 sobre 1, davant del 0,38 de l'altre model) i iguala models fins a 9,4 vegades més grans fent servir entre 272 i 2.155 vegades menys càlcul. Quan es reentrena específicament amb 508 casos de càncer de mama triple negatiu, millora la classificació del subtipus histològic i la puntuació dels limfòcits que infiltren el tumor.
El sistema també recupera el text diagnòstic correcte el 75,6% de les vegades a la primera consulta, davant del 58,1% d'un model comparable (PRISM), i genera descripcions més properes a les que escriuen els patòlegs humans. La troballa suggereix que agrupar la informació d'un cas sencer en una sola imatge composta, en lloc de tractar cada fragment per separat, és una via eficient per fer models de patologia que necessitin molts menys recursos de càlcul sense perdre precisió.
El treball és encara un preprint, no ha passat la revisió per parells d'una revista, i les millores més grans es demostren en un sol tipus de càncer (el de mama triple negatiu) amb una mostra de poc més de 500 casos. Els autors no en treuen que el sistema pugui substituir el diagnòstic d'un patòleg, sinó que ofereix una eina de suport que caldrà validar en altres tipus de teixit i en hospitals diferents del que ha proporcionat les dades d'entrenament.