Read Aloud the Text Content

This audio was created by Woord's Text to Speech service by content creators from all around the world.

Text Content or SSML code:

ài Digpatho Transforming Pathology with AI Manual general de onboarding - Área de IA 1. Contexto estratégico: Digpatho y la patología digital Digpatho se sitúa a la vanguardia de la patología digital, con la meta declarada de transformar el diagnóstico del cáncer mediante IA para lograr detección temprana, mayor precisión y reducir la variabilidad entre observadores. La empresa basa esta misión en tres pilares: modelos interpretables, integración fluida al flujo clínico y entrenamiento con datos diversos y de alta calidad. Alcanzar esa visión exige una disciplina estricta en la curación de datos: si las imágenes contienen artefactos o células no tumorales, el modelo comprometerá el diagnóstico y violará la misión corporativa. Biomarcadores y enfoque actual Hoy, nuestros proyectos insignia giran en torno a biomarcadores clave en patología digital, el índice de proliferación celular Ki-67, HER2 y como los receptores de estrógeno (ER), de progesterona (PR), todos con un alto valor pronóstico y predictivo en cáncer de mama. La evaluación manual de estos marcadores es tradicionalmente lenta, subjetiva y sufre de una considerable variabilidad entre patólogos, lo cual es un desafío crítico para la oncología de precisión. La adopción de análisis de imágenes digitales y modelos de IA está revolucionando su interpretación, permitiendo cuantificaciones rápidas, objetivas y reproducibles. La mejora continua de nuestros modelos de biomarcadores y de la plataforma de anotación es, por tanto, estratégica para demostrar el valor clínico de nuestra tecnología y refinar los procesos internos de calidad de datos. Horizonte de expansión y sub-áreas de IA El pipeline que aplicamos a nuestros biomarcadores está diseñado para escalar a otros marcadores pronósticos y a nuevos tipos de cáncer, consolidando a Digpatho como proveedor integral de soluciones oncológicas basadas en IA. Para lograrlo, el equipo de IA trabaja en tres grandes frentes: 1. IA de imágenes:.Desarrollo de modelos que segmentan, clasifican y cuantifican patrones histopatológicos para generar métricas clínicamente relevantes (ej. índice Ki-67, HER2, ER/PR). Incluye la implementación de estrategias de pre y post procesamiento para mejorar la robustez del modelo y el ajuste continuo basado en el feedback de patólogos expertos para garantizar la precisión diagnóstica. 2. IA I+D: Investigación y desarrollo de arquitecturas de vanguardia para mejorar las métricas de nuestros modelos. El objetivo es construir una arquitectura de modelo base estandarizada que acelere la adaptación a diferentes tipos de cáncer. Esta área también explora la integración de datos multimodales (imágenes, datos genómicos y clínicos) para generar insights pronósticos más profundos. 3. IA generativa: Crear sistemas que traduzcan los hallazgos visuales del modelo a un borrador de texto descriptivo para el informe patológico. Diseñar modelos capaces de Ci Digpatho ài Transforming Pathology with AI generar imágenes histopatológicas realistas para robustecer y diversificar nuestros conjuntos de datos de entrenamiento, mitigando la escasez de casos raros. Esta combinación sustenta la ambición de Digpatho de convertirse en líder global en patología asistida por IA, con una plataforma extensible a múltiples biomarcadores y flujos clínicos. 2. Herramientas y tecnologías clave Esta sección detalla a rasgos generales el software, los frameworks y las librerías específicas que utiliza el área de IA. La idea es que puedas ver con cuáles de estos ya estas familiarizado y saber con cuales te tenés que familiarizar para que no te encuentres con trabas al momento de realizar tus prácticas. Quédate tranquilo, son herramientas sobre las que hay una gran cantidad de información en línea. Como se dijo, estas son las herramientas de uso general en el área, quizás, por tus tareas específicas hay algunas que no uses o quizás haya otras que aquí no estén detalladas. Si estas en duda, le podes preguntar a tu tutor de donde sacar información relevante. • Frameworks de deep learning: PyTorch, TensorFlow/Keras, MONAI. Librerías para procesamiento Albumentations, Scikit-Image, SimpleITK, Pydicom. de imágenes: OpenCV, • Plataforma de anotación: Interactive Annotator Streamlit (objetivo de mejora continua). • Control de versiones y MLOps: Git/GitHub. Gestión de proyecto y documentación: ClickUp (tickets, dashboards) + IA generativa para informes (ChatGPT, Copilot, Claude, Deepseek, Gemini, Grok, Perplexity, etc). Sobre esto último, en Digpatho no estamos en contra del uso de IA generativa para que te asistas en el desarrollo de informes. Pero esa es la clave, la IA tiene que ser tu asistente, no tu sustituto. La podés usar por ejemplo para que te ayude a dar orden y formato, o para redactar de forma más correcta un texto; pero tenés que iterar, revisar y corregir hasta que el documento tenga un alto nivel de excelencia. Recordá que se te está dando la responsabilidad de generar informes que pueden pasar por la auditoría de un ente regulador (ANMAT, FDA, MDR, etc), los cuales buscan excelencia. 3. La calidad de los datos es el corazón del proyecto La alta calidad de los datos es fundamental para el éxito de cualquier proyecto de análisis y para la toma de decisiones estratégicas. Los datos de mala calidad pueden conducir a resultados engañosos. En el contexto de la IA médica, los resultados engañosos pueden tener graves consecuencias clínicas. Por lo tanto, la calidad rigurosa de los datos no es solo una buena práctica técnica, sino una necesidad ética y clínica. Ci Digpatho ài Transforming Pathology with AI Criterios y Procesos para Garantizar la Precisión, Consistencia y Completitud de los Datos En síntesis, la fiabilidad de nuestro modelo depende de cinco criterios-precisión, completitud, consistencia, puntualidad y relevancia que se garantizan mediante un ciclo continuo de limpieza-estandarización, validación cruzada y documentación exhaustiva de metadatos. En IA médica, ignorar estos pasos genera resultados engañosos con impacto clínico, por lo que la calidad de datos es tanto un requerimiento técnico como una obligación ética. • Criterios: Es imperativo establecer criterios claros y medibles para la calidad de los datos. Esto incluye la precisión (exactitud de los puntos de datos), la completitud (ausencia de valores faltantes), la consistencia (uniformidad en todo el conjunto de datos), la puntualidad (actualización de los datos) y la relevancia (pertinencia para los objetivos del proyecto). Para las imágenes médicas, esto se traduce en asegurar que las imágenes representen con precisión la patología, que todas las series esperadas estén presentes, que los protocolos de imagenología estén estandarizados, que los datos estén actualizados y que las imágenes sean relevantes para la pregunta de investigación. • Procesos: 。 Limpieza y Estandarización: Se implementarán procedimientos sistemáticos para identificar y corregir errores, manejar valores faltantes (por ejemplo, estrategias de imputación) y estandarizar formatos (por ejemplo, convenciones de nomenclatura consistentes, formatos de fecha). Este proceso es significativo y a menudo consume mucho tiempo. 。 Validación y Verificación: Se implementarán controles para garantizar la confiabilidad de los datos. Esto puede incluir la verificación cruzada de datos con múltiples fuentes, la realización de comprobaciones lógicas y la realización de comprobaciones manuales aleatorias para puntos de datos críticos. • Documentación de Metadatos y Diccionario de Datos: Se creará y mantendrá un diccionario de datos completo. Este documento definirá cada campo en la base de datos, su tipo de datos, formato, fuente y cualquier regla o definición comercial específica asociada a él. Para las imágenes, esto incluye la identificación del paciente, la modalidad, el diagnóstico y las etiquetas de anotación. Mejores Prácticas para la Gestión de Datos de Imágenes Médicas y el Control de Versiones El control de versiones y la organización estructurada del proyecto son fundamentales para la reproducibilidad, especialmente en contextos científicos y médicos. Esto asegura que el Ci Digpatho ài Transforming Pathology with AI trabajo de la practicante pueda ser replicado, validado y utilizado por otros, fomentando el rigor científico y la sostenibilidad a largo plazo del proyecto. • Control de Versiones de Datos y Archivos: Se implementará un sistema para gestionar diferentes iteraciones de la base de datos y los archivos de análisis. Esto garantiza la trazabilidad, previene la pérdida de datos y facilita la colaboración. Se pueden utilizar convenciones de nombres de archivos claras o un repositorio Git básico para el código. • Estructura del Proyecto: Se adoptarán plantillas de proyectos estandarizadas (por ejemplo, Cookiecutter Data Science) con carpetas de datos estructuradas (raw, interim, processed) y organización del código. Un archivo requirements.txt es fundamental para reproducir el entorno. Implicaciones Éticas y Cumplimiento Normativo (ej., HIPAA, ANMAT) El desarrollo de IA en medicina requiere una comprensión profunda no solo de los aspectos técnicos, sino también de las directrices éticas, las leyes de privacidad de datos (como HIPAA) y las regulaciones locales (como ANMAT). El proyecto de la practicante, aunque enfocado en la mejora del modelo, opera dentro de este ecosistema sensible, lo que requiere conciencia de estas restricciones. • La anotación de imágenes médicas "requiere experiencia en el dominio (por ejemplo, radiólogos, patólogos)" y las anotaciones "pueden afectar directamente los resultados clínicos". El uso del web scraping para la recopilación de datos requiere "consideraciones éticas, asegurando el cumplimiento de los términos de servicio del sitio web y evitando la sobrecarga del servidor". MONAI proporciona "soporte crucial para estándares de imágenes médicas como DICOM y FHIR". 4. Roles y responsabilidades Compromisos del practicante: Dedicación, Proactividad y Comunicación Se espera que demuestres un compromiso total con las horas diarias/semanales acordadas y un enfoque proactivo en la resolución de problemas, la búsqueda de orientación y la identificación de oportunidades de mejora. La iniciativa personal es un factor clave para el aprendizaje y el éxito. Se espera que reportes de manera regular el progreso, los desafíos encontrados y las necesidades de recursos a tu mentor asignado. Esto incluye una comunicación pronta sobre cualquier desviación del plan, asegurando que los problemas se aborden de manera oportuna. Es fundamental que te adhieras estrictamente al plan de proyecto definido, la metodología y los estándares de calidad de datos para garantizar la consistencia y confiabilidad de los resultados. Estas expectativas fomentan tu autonomía y responsabilidad profesional, habilidades cruciales para cualquier ingeniero. Esto transforma la experiencia de Ci Digpatho ài Transforming Pathology with AI aprendizaje pasiva en una donde te convertís en un contribuidor activo y responsable, alineándote con los altos estándares de Digpatho para los practicantes. Apoyo de Digpatho: Mentoría, Acceso a Recursos y Coordinación Interdepartamental En Digpatho consideramos que el éxito del proyecto es una responsabilidad compartida. Este marco colaborativo garantiza que, como practicante, tengas los recursos y la orientación necesarios para tener éxito, reflejando las dinámicas de equipo del mundo real en proyectos complejos de IA. Para cumplir con nuestra parte nos comprometemos a cumplir con los siguientes puntos: • Mentoría y Guía Continua: Se te asignará un mentor/tutor dedicado con experiencia relevante en gestión de datos, IA o gestión de proyectos según corresponda. Este mentor te proporcionará orientación regular, retroalimentación y apoyo durante todo el proyecto. Podés considerar a este mentor como alguien de confianza, tu aliado más que tu jefe, no tengas reparo en plantearle tus dudas o preocupaciones. Los Directores de Digpatho son responsables de la creación y seguimiento del plan de trabajo y de asegurar el cumplimiento de las fechas y criterios. ● Acceso Oportuno a Información y Recursos: Te vamos a proporcionar todo el acceso necesario a fuentes de datos relevantes (públicas e internas, si aplica), licencias de software (Power BI Desktop, cualquier herramienta de web scraping elegida) y recursos informáticos adecuados. Para vos, esto se traduce en acceso al código de Interactive AnnotatorStreamlit, conjuntos de datos de imágenes y recursos informáticos necesarios (GPUs). Esperamos que entiendas la enorme confianza que estamos depositando en vos, ya que toda información interna es ultra confidencial. Coordinación de Entrevistas y Reuniones: Se te facilitarán las reuniones o entrevistas programadas con equipos internos clave (por ejemplo, Regulaciones para marcos legales, Vinculación para estrategias de divulgación, equipo de IA para alineación técnica) para recopilar contexto, validar datos e investigar marcos estratégicos. Esta interacción interdepartamental es vital para que comprendas el contexto más amplio de tu trabajo. • • Revisión Oportuna de Entregables: También nos comprometemos a hacer una revisión y retroalimentación rápida de todos los entregables del proyecto para evitar retrasos en el cronograma general. • Ambiente de Aprendizaje y Colaboración: Se fomentará un ambiente de apoyo y colaboración que promueva el desarrollo profesional, el aprendizaje interdisciplinario y la aplicación de conocimientos teóricos a desafíos del mundo real. La filosofía general es de Inteligencia Aumentada: La clave es combinar el cerebro humano con la inteligencia artificial (IA). En otras palabras, que aprendas a manejarte en un entorno de trabajo moderno, donde usas herramientas de IA disponibles para potenciar tu desempeño. Ci Digpatho ài Transforming Pathology with AI A continuación tenés una tabla básica que te va a saber a quién acudir en distintas situaciones que puedan ocurrir durante las prácticas: Situación frecuente No entendés el alcance exacto de una tarea o sus entregables Necesitás feedback técnico sobre código, métricas o modelo Falta acceso a dataset, GPU o credenciales Cambio en el cronograma o conflicto de prioridades Duda sobre el proceso GitHub / ClickUp Errores de formato o consistencia en los datos brutos Pequeños bugs que podés depurar con logs / Stack Overflow Mejora de comunicación o estilo en un informe PM Tutor / Mentor Autogestión (vos) ✓ ✓ 5. Seguimiento del proyecto con ClickUp y GitHub Seguimiento (ClickUp) Digpatho opera con un sistema de tickets: Cada tarea del "Plan Individual de PPS" corresponderá a un ticket en ClickUp. Los tickets incluirán: descripción de la tarea, horas estimadas, fecha de vencimiento, persona asignada (vos, y cualquiera con quien colabores), y enlaces a documentación/código relevante. El PM organiza la plataforma y define el procedimiento; vos tenés que actualizar el ticket correspondiente durante el progreso de cada tarea. Podes encontrar videos instructivos de cómo utilizar la plataforma en el siguiente Link: Videos uso de ClickUp. Ci Digpatho ài Transforming Pathology with AI Control de Versiones (Git/GitHub) Un diferencial muy grande entre un trabajo académico y uno profesional es la calidad de la documentación que se genera, la cual debe no solo ser pertinente, sino que debe ser trazable. La idea es que termines tus prácticas pudiendo considerarte una profesional de calidad, así que vamos a hacer énfasis en eso. Para ello, es importante que haya un adecuado control de versiones. Más en detalle: • Documentación: Cada paso del proyecto debe documentarse meticulosamente. Esto incluye los hallazgos de la investigación inicial, las configuraciones de las herramientas, los scripts de web scraping, los procesos de limpieza de datos y los pasos de desarrollo del modelo. Se espera que proporciones una justificación clara para las decisiones clave (sí, vas a tener que tomar decisiones importantes). Informes Centrados en la Audiencia: Los informes finales y las presentaciones deben adaptarse tanto a los requisitos académicos (universitarios) como a las partes interesadas internas de la empresa (problema, valor, conclusiones accionables). • Control de Versiones (Git/GitHub): Debes dominar Git para rastrear cambios, colaborar con los miembros del equipo en el código y gestionar de manera eficiente todo el historial del proyecto. Un archivo requirements.txt garantizará la reproducibilidad del entorno. El código se organizará en carpetas lógicas (common/, data/, model/, etc). 6. Conclusión Como practicante de IA en Digpatho vas a incorporar tecnologías de vanguardia mientras contribuís a un objetivo clínico de alto impacto: mejorar la precisión diagnóstica del cáncer. Este manual te va a brindar el contexto corporativo, las herramientas fundamentales, la filosofía de calidad de datos y la estructura de trabajo colaborativo que sustenta nuestro éxito. Revisa ahora tu Plan Individual de PPS para conocer tus objetivos SMART, KPIs y entregables específicos; juntos impulsaremos la patología digital hacia nuevos estándares de excelencia.