La inteligencia artificial empieza a ocupar un lugar más concreto en la investigación médica: no como sustituta de los científicos, sino como una herramienta para encontrar señales que podrían pasar desapercibidas. Ai2 y el Providence Swedish Cancer Institute ampliaron su colaboración para aplicar AutoDiscovery a investigaciones oncológicas con datos clínicos protegidos.
El primer resultado importante llegó desde el estudio del cáncer de mama lobulillar invasivo, un subtipo que representa aproximadamente el 15 % de los cánceres de mama diagnosticados cada año en Estados Unidos. El análisis sugiere que estos tumores podrían tener una respuesta inmunitaria más fuerte de lo que se pensaba.
AutoDiscovery busca hipótesis, no respuestas automáticas
La investigación biomédica atraviesa una etapa de abundancia de datos. Repositorios públicos como The Cancer Genome Atlas, conocido como TCGA, reúnen información genómica, molecular, clínica e imágenes de millones de pacientes. Los centros de investigación también almacenan grandes volúmenes de datos protegidos.
El problema es evidente: tener más datos no significa comprenderlos por completo. ¿Cuántas señales relevantes quedan ocultas porque ningún equipo puede explorar todas las combinaciones posibles?
AutoDiscovery propone complementar el método científico tradicional. En lugar de comenzar únicamente con una hipótesis definida por investigadores, el sistema utiliza modelos de lenguaje para generar y evaluar hipótesis sorprendentes a partir de conjuntos de datos complejos.
Su funcionamiento se apoya en dos criterios principales:
- Sorpresa: identifica observaciones que se alejan de lo esperado según el conocimiento previo.
- Reproducibilidad: prioriza señales que aparecen de nuevo al repetir los análisis o al examinarlas en otros conjuntos de datos.
Esto no convierte una correlación en un descubrimiento médico. La herramienta ayuda a decidir qué preguntas merecen una investigación más profunda, mientras que los científicos interpretan los resultados, diseñan las validaciones y determinan si la evidencia es sólida.
La idea no es que la IA reemplace la experiencia científica, sino que ayude a explorar de forma sistemática un territorio de datos demasiado amplio para analizarlo manualmente.
Una señal inesperada en el cáncer de mama lobulillar
Un equipo dirigido por la doctora Kelly Paulson, del Paul G. Allen Research Center, y por el investigador Bodhisattwa Majumder, de Ai2, aplicó AutoDiscovery al conjunto de datos TCGA.
Entre sus hallazgos apareció una observación inesperada sobre el carcinoma lobulillar invasivo, o ILC. Este subtipo de cáncer de mama se había considerado históricamente “inmunológicamente frío”, una forma de describir tumores con poca actividad inmunitaria y una respuesta potencialmente limitada a la inmunoterapia.
Sin embargo, AutoDiscovery detectó una firma inmunitaria más fuerte de lo que investigaciones anteriores habían reconocido. Una firma inmunitaria es un conjunto de señales biológicas que sugiere la presencia o actividad de células y procesos del sistema inmunitario dentro del tumor.
El equipo no se quedó con el primer resultado. Validó la observación en un conjunto independiente de pacientes y después recurrió a análisis de laboratorio de muestras tumorales. Esa combinación es esencial: un hallazgo generado por IA necesita resistir pruebas externas antes de convertirse en una base útil para nuevas investigaciones.
Los resultados, publicados en el artículo “Surprisal-based large language models reveal immunologic insights in breast cancer”, sugieren que el cáncer de mama lobulillar invasivo merece una evaluación más amplia en futuros estudios sobre inmunoterapia.
Esto no significa que ya exista un nuevo tratamiento ni que todas las pacientes con ILC respondan a la inmunoterapia. Significa que una categoría considerada poco prometedora podría contener señales que justifiquen ensayos y análisis adicionales.
Del conjunto de datos público a los datos clínicos protegidos
La ampliación de la alianza marca un cambio importante para AutoDiscovery. Hasta ahora, la plataforma había trabajado con conjuntos de datos públicos. El siguiente paso será desplegarla dentro del entorno de nube de Providence, donde podrá operar sobre datos de investigación y datos clínicos protegidos.
La información permanecerá dentro de la infraestructura de Providence. El equipo computacional de investigación de PARC se encargará de instalar y ejecutar la plataforma, además de apoyar a los investigadores que la utilicen.
Por qué importa la implementación local
En medicina, mover datos sensibles a servicios externos puede crear riesgos de privacidad, cumplimiento normativo y control institucional. Una implementación local reduce la necesidad de transferir esa información fuera del entorno de la organización.
También permite que el centro mantenga mayor control sobre aspectos técnicos como:
- Qué datos utiliza el sistema.
- Quién puede acceder a los resultados.
- Cómo se registran los análisis.
- Qué versiones de modelos y configuraciones producen cada hallazgo.
- Cómo se repiten los experimentos para comprobar su reproducibilidad.
Para que la IA sea aceptada en la ciencia biomédica, la precisión por sí sola no basta. Los investigadores necesitan trazabilidad, transparencia, validación independiente y una forma clara de entender cómo se llegó a cada conclusión.
Un modelo de colaboración entre científicos e IA
AutoDiscovery fue diseñado para trabajar junto a los investigadores. Los expertos pueden orientar el sistema hacia áreas prometedoras, incorporar conocimiento clínico y decidir qué señales tienen suficiente valor para ser verificadas en el laboratorio.
Ese punto es especialmente importante en cáncer. Una relación estadística puede deberse a factores como la composición de los pacientes, la calidad de las muestras o la forma en que se recopilaron los datos. La experiencia científica ayuda a distinguir una pista interesante de un resultado engañoso.
La colaboración entre Ai2 y Providence Swedish Cancer Institute plantea un modelo práctico: la IA explora grandes espacios de hipótesis, mientras los científicos aportan contexto, criterio y métodos de validación.
¿Es este el futuro de la investigación? Probablemente no se trate de elegir entre humanos o máquinas. El camino más útil parece ser combinar la capacidad de la IA para revisar enormes volúmenes de información con la responsabilidad humana de interpretar, comprobar y decidir.
El despliegue en datos protegidos será una prueba relevante. Si la plataforma consigue generar señales reproducibles sin comprometer la privacidad y se integra de verdad en los flujos de trabajo científicos, podría convertirse en una herramienta para acelerar descubrimientos en distintos programas de investigación oncológica.
Por ahora, el caso del cáncer de mama lobulillar muestra algo más valioso que una promesa futurista: una hipótesis generada por IA, validada con datos independientes y análisis de laboratorio, que abre una nueva pregunta médica. En ciencia, muchas veces ese es el comienzo que importa.