La medicina de precisió avança cap a un model on les dades clíniques, genòmiques i d’imatge s’han d’integrar per oferir diagnòstics més precisos i tractaments personalitzats. Sasi Kumar Kolla, investigador en intel·ligència artificial, ha publicat recentment un estudi que analitza com els models fundacionals de deep learning poden processar simultàniament múltiples tipus de dades —genòmica, transcriptòmica, imatges radiològiques i històries clíniques electròniques— superant les limitacions dels sistemes actuals, que normalment treballen amb una sola modalitat. El seu enfocament no només proposa una arquitectura tècnica, sinó que també aborda els reptes d’infraestructura, governança i biaix que cal resoldre perquè aquests models siguin viables en entorns d’investigació i clínics.
El treball de Kolla arriba en un moment en què les institucions sanitàries generen volums massius d’informació heterogènia. No obstant això, la majoria dels sistemes d’intel·ligència artificial en medicina continuen especialitzant-se en una única font de dades: una imatge de patologia, una seqüència genòmica o un informe clínic. Això limita la capacitat d’entendre les complexes interaccions biològiques que subjauen a les malalties. Com assenyala el propi investigador, 'els processos biològics rarament es manifesten en un sol tipus de dada'. Per això, proposa models multimodals que combinin diferents representacions en un mateix marc d’aprenentatge.
Des d’una perspectiva tècnica, aquests models es recolzen en mecanismes d’autoatenció i aprenentatge contrastiu, tècniques que han demostrat la seva eficàcia en el processament del llenguatge natural i que ara s’adapten per alinear, per exemple, una imatge mèdica amb el seu corresponent informe radiològic. Cada modalitat es codifica per separat i després es fusiona en una capa de representació compartida, permetent que el model extregui relacions creuades. Aquesta arquitectura recorda els sistemes d’intel·ligència de negoci que integren múltiples fonts de dades per generar informes consolidats. De fet, eines de BI com Power BI permeten visualitzar i correlacionar dades heterogènies, un pas necessari perquè els investigadors puguin interpretar les sortides d’aquests models fundacionals.
Un dels aspectes més destacats de l’estudi de Kolla és l’anàlisi de la infraestructura de dades necessària. Obtenir conjunts de dades grans, curats i amb estàndards consistents continua sent un dels majors colls d’ampolla. La genòmica, les imatges i els registres clínics sovint s’emmagatzemen en formats dispars i amb diferents nivells de qualitat. Per abordar-ho, l’investigador proposa un ecosistema de dades coordinat que inclogui processos d‐assegurament de qualitat, protocols de governança i mecanismes de privacitat i consentiment. Aquí és on entren en joc les capacitats del núvol. Els serveis cloud d’AWS i Azure ofereixen entorns escalables i segurs per emmagatzemar i processar aquests grans volums d’informació, complint amb regulacions com HIPAA o GDPR. Empreses com Q2BSTUDIO, especialitzades en desenvolupament de programari i cloud computing, ajuden a dissenyar aquestes arquitectures garantint tant l’escalabilitat com la ciberseguretat necessària per gestionar dades sensibles de pacients.
La ciberseguretat és, precisament, un altre dels pilars que Kolla aborda en el seu treball. Les dades de salut són un dels blancs més cobejats pels ciberdelinqüents, per la qual cosa qualsevol infraestructura que les gestioni ha d’incloure mesures de protecció des del disseny. Els models multimodals, en integrar informació de múltiples fonts, augmenten la superfície d’atac si no s’implementen controls adequats. Per això, l’investigador insisteix que la seguretat i l’ètica han de ser centrals, no un afegit posterior. Les companyies de tecnologia que ofereixen serveis de ciberseguretat i pentesting juguen un paper fonamental en la validació d’aquests sistemes abans del seu desplegament en entorns clínics.
Un altre repte rellevant és el biaix en les dades. Kolla assenyala que les poblacions infrarepresentades en els conjunts d’entrenament poden generar models que funcionin pitjor per a certs grups, un risc especialment greu en medicina. Per mitigar-lo, defensa la creació de conjunts de dades diversos i oberts, així com el desenvolupament de protocols d’avaluació estandarditzats. En aquest sentit, els agents d’intel·ligència artificial —sistemes autònoms que poden preprocessar, netejar i equilibrar les dades— es perfilen com una ajuda valuosa. Aquests agents IA poden, per exemple, identificar desequilibris en les mostres i suggerir ajustos automàtics, millorant l‐equitat dels models resultants.
La interpretabilitat és igualment crucial. Un model que ofereix una predicció precisa però no explica com hi va arribar genera desconfiança entre metges i investigadors. Kolla proposa que la transparència sigui un requisit tan important com l‐exactitud. Publicar els pesos del model, compartir conjunts de dades de referència i establir punts de referència oberts són pràctiques que fomenten la reproduïbilitat i la crítica independent. Les eines de visualització i BI, com els dashboards de Power BI, poden ajudar els clínics a entendre les variables que més influeixen en una predicció, tancant la bretxa entre la caixa negra del model i la decisió clínica.
Quant a les aplicacions concretes, l’estudi de Kolla menciona la integració de dades genòmiques i transcriptòmiques per estudiar patrons d‐expressió gènica, així com la combinació d‐imatges radiològiques amb dades de radiòmica per a investigacions multiorgàniques. També explora mètodes basats en hipergrafs per modelar relacions entre mostres biològiques i condicions clíniques. Aquests casos d‐ús requereixen un desenvolupament de programari a mida que adapti les arquitectures multimodals a les necessitats específiques de cada domini. Les aplicacions a mida permeten implementar des de pipelines de preprocessament fins a interfícies d‐usuari que facilitin la interacció amb aquests complexos models.
El camí cap a models fundacionals multimodals per a la medicina de precisió és encara incipient, però treballs com el de Sasi Kumar Kolla tracen una fulla de ruta clara. Calen avenços en infraestructura de dades, governança, interpretabilitat i, sobretot, col·laboració interdisciplinària. Les empreses tecnològiques, en particular aquelles amb experiència en cloud, ciberseguretat, intel·ligència artificial i desenvolupament de programari personalitzat, són aliades naturals en aquest procés. Q2BSTUDIO, amb la seva oferta de serveis que abasten des de aplicacions a mida fins a cloud AWS/Azure, BI/Power BI i agents IA, es posiciona com un soci capaç de construir la infraestructura que aquests models demanden.
En definitiva, la investigació de Kolla no només il·lumina un problema tècnic complex, sinó que convida tota la comunitat —investigadors, clínics, enginyers i empreses— a treballar junts perquè la intel·ligència artificial multimodal es converteixi en una realitat pràctica i ètica en la medicina del futur.
