Resumen: En ámbitos no médicos, los modelos básicos (FM) han revolucionado la visión por computadora y el procesamiento del lenguaje a través del aprendizaje multimodal y autosupervisado a gran escala. En consecuencia, se esperaba que su rápida adopción en patología computacional generara avances comparables en el diagnóstico, pronóstico y recuperación multimodal del cáncer. Sin embargo, evaluaciones sistemáticas recientes revelan debilidades fundamentales: baja precisión diagnóstica, poca robustez, inestabilidad geométrica, grandes demandas computacionales y vulnerabilidades de seguridad preocupantes. Este breve artículo examina estas deficiencias y sostiene que se derivan de desajustes conceptuales más profundos entre los supuestos que subyacen al modelado de fundamentos genéricos en la IA convencional y la complejidad intrínseca del tejido humano. Se identifican siete causas interrelacionadas: complejidad biológica, autosupervisión ineficaz, sobregeneralización, complejidad arquitectónica excesiva, falta de innovación en un dominio específico, datos insuficientes y un defecto de diseño fundamental relacionado con el tamaño del parche de tejido. Estos hallazgos sugieren que los modelos básicos de patología actuales siguen estando conceptualmente desalineados con la naturaleza de la morfología del tejido y exigen un replanteamiento fundamental del paradigma en sí.
Publicado originalmente en export.arxiv.org el 28 de octubre de 2025.
Ver fuente original
