Un nuevo sistema logra reducir hasta en un 88 % los errores de diagnóstico vinculados a la raza, el género y la edad en análisis patológicos.

Se ha utilizado la inteligencia artificial para analizar muestras patológicas, lo que ha supuesto un avance sin precedentes en la oncología moderna. Esto ha permitiendo detectar señales biológicas sutiles que el ojo humano no puede percibir.

Pero a pesar de ello, ciertos investigadores de la Universidad de Harvard han activado una señal de alarma: los modelos de IA más populares y utilizados para el diagnóstico del cáncer, arrastran sesgos demográficos significativos.

Tras analizar los cuatro modelos de aprendizaje automático más utilizados, el equipo descubrió que el rendimiento era desigual dependiendo del género, la raza y la edad de los pacientes, llegando a identificar fallos en el 29 % de las tareas diagnósticas.

Para corregir esta vulnerabilidad, los científicos han desarrollado FAIR-Path, una herramienta innovadora diseñada para mitigar estos prejuicios algorítmicos.

FAIR-Path actúa durante el entrenamiento de la IA, enseñando al modelo a ignorar la información demográfica irrelevante —como el origen étnico o la edad— que la máquina suele extraer de las imágenes de las muestras. Al aplicar este sistema, el equipo de Harvard logró reducir las deficiencias diagnósticas en un impresionante 88 %, logrando que la IA se centre exclusivamente en los patrones biológicos del tumor y no en las características del paciente.

Los expertos atribuyen estos sesgos principalmente a la falta de representatividad en las bases de datos médicos.

Si una IA se entrena con miles de muestras de un grupo poblacional específico y muy pocas de otro, su capacidad para identificar mutaciones menos frecuentes en estos últimos se ve comprometida. Por ejemplo, los modelos analizados mostraban dificultades específicas para diferenciar subtipos de cáncer de pulmón en hombres afroamericanos o tumores de mama en mujeres jóvenes, grupos que suelen estar infrarrepresentados en los repositorios clínicos masivos.

El despliegue de FAIR-Path marca un hito hacia una medicina personalizada más justa y equitativa. Al integrar este elemento compensatorio, se garantiza que los algoritmos de detección precoz y diagnóstico sean igual de eficaces para toda la población, independientemente de su trasfondo.

Los investigadores ya están explorando cómo ampliar esta tecnología a hospitales con muestras de datos más limitadas, con el objetivo de que la atención oncológica impulsada por IA sea una herramienta imparcial y segura para cualquier paciente en el mundo.