El diagnòstic precoç del deteriorament cognitiu lleu (DCL) representa un dels majors desafiaments en neurologia computacional moderna, ja que la detecció automatitzada a partir de proves de dibuix neuropsicològic s'enfronta a dades limitades, desbalanç de classes i una ambigüitat diagnòstica que dificulta la separació entre estats normals i patològics. En aquest context, les arquitectures tradicionals de finetuning complet requereixen un cost computacional elevat i releguen l' explicabilitat espacial a un procés posterior, perdent l' oportunitat d' integrar la interpretabilitat com a propietat intrínseca del model. Davant d' aquesta problemàtica, emergeix un enfocament eficient: l' ajust de prompts amb pèrdua focal, adaptat específicament per al cribratge interpretable del DCL, que no només optimitza recursos sinó que ofereix mapes d' atenció directament vinculats a la decisió clínica.
La proposta tècnica es recolza en un model DINOv2-Small congelat, al qual s'afegeixen tres tokens de promptes específics de cada modalitat (per exemple, tipus de dibuix o tasca cognitiva). Amb a penes 1,19 milions de paràmetres entrenables, cada token actua com a consulta en una capa d'atenció creuada compartida sobre els parxís de la imatge d'entrada. La clau està en què l' explicabilitat espacial emergeix de forma natural mitjançant els mapes d' atenció resultants, sense necessitat de recórrer a tècniques externes com Grad-CAM. Això permet que el clínic pugui visualitzar exactament quines zones del dibuix han influït en la classificació, augmentant la confiança en el sistema. A més, les representacions condicionades a cada tasca es fusionen mitjançant un mòdul d' atenció que pondera la importància de cada modalitat per pacient, adaptant-se a l' heterogeneïtat del deteriorament cognitiu.
Per manejar l'ambigüitat en els límits diagnòstics, s'introdueix una funció de pèrdua focal adaptada a l'escala MoCA (Mont-real Cognitive Assessment). Aquesta funció integra les puntuacions cognitives contínues en l' objectiu d' entrenament, la modulació de la pèrdua i la ponderació adaptativa de les mostres, generalitzant els enfocaments tradicionals d' etiquetes toves. D'aquesta manera, el model no només discrimina entre DCL i normal, sinó que aprèn a calibrar la seva incertesa a les zones frontereres, on els pacients amb puntuacions intermèdies són tractats amb més pes en la pèrdua. Els resultats sota validació creuada estratificada de cinc plecs mostren un F1 de 0,641 per a la classe DCL i un AUC de 0,795, superant en 0,110 punts el F1 del baseline ResViT, tot i ser un model molt més lleuger.
Des d'una perspectiva empresarial, aquest tipus d'avenços encaixen perfectament en la transformació digital del sector sanitari. Les organitzacions que integren intel·ligència artificial per a empreses poden aprofitar arquitectures que redueixen dràsticament els costos computacionals i milloren la interpretabilitat, dos factors clau per a l'adopció clínica. En Q2BSTUDIO, desenvolupem aplicacions a mesura que incorporen aquests models de deep learning eficient, permetent que fins i tot equips petits despleguin sistemes de cribratge cognitiu basats en proves de dibuix. La combinació de paràmetres reduïts i pèrdua focal adaptativa no només accelera l' entrenament, sinó que facilita el desplegament en entorns amb recursos limitats, com centres d' atenció primària o dispositius mòbils.
La metodologia descrita no es limita al DCL. La seva estructura modular—prompts aprendibles, atenció creuada i fusió ponderada—pot aplicar-se a altres tasques de classificació multimodal on l'escassetat de dades i l'explicabilitat siguin crítiques. Per exemple, en la detecció d' anomalies en registres de fabricació industrial o en l' anàlisi d' imatges mèdiques per a altres patologies neurodegeneratives. L' adaptació a cada domini requereix únicament redefinir els tokens de prompt i la funció de pèrdua focal, mantenint el backbone visual congelat. Això converteix l'enfocament en una solució versàtil per a empreses que necessiten programari a mida amb capacitats d'IA explicable, sense incórrer en els costos d'un finetuning complet de grans models.
La pèrdua focal adaptada a MoCA té implicacions més àmplies. En incorporar puntuacions contínues, el model pot ser entrenat directament amb dades de cribratge poblacional, on les etiquetes dicotòmiques són sorolloses. Això obre la porta a sistemes de monitoratge continu del deteriorament cognitiu, integrats amb plataformes de serveis intel·ligència de negoci com Power BI, que permetin als neuròlegs visualitzar tendències en el rendiment dels pacients al llarg del temps. A més, la seguretat de les dades clíniques és primordial; per això, els nostres desenvolupaments inclouen ciberseguretat integral, garantint que els models i les dades de pacients s'emmagatzemen i processin sota els més alts estàndards de protecció, ja sigui on-premise o mitjançant serveis cloud AWS i Azure.
Des del punt de vista de l'eficiència computacional, l'ús d'un model congelat i només 1,19 milions de paràmetres entrenables contrasta amb arquitectures híbrides que requereixen desenes de milions. Això permet que l'entrenament pugui realitzar-se en maquinari modest, com GPUs de consum, i que la inferència sigui prou ràpida per a aplicacions en temps real. Per a les empreses que busquen automatització de processos mitjançant agents IA, un model lleuger i explicable és ideal per integrar-se en fluxos de treball sense saturar els sistemes. Per exemple, un agent d'IA podria processar dibuixos de pacients, generar un mapa d'atenció i enviar el resultat a una plataforma de business intelligence, tot en segons.
La recerca mostra que el rendiment del model millora significativament respecte a alternatives pesades, però el més rellevant és la interpretabilitat intrínseca. En l'àmbit clínic, la capacitat de veure quins traços o àrees del dibuix han provocat l'alerta de DCL és un factor d'acceptació indispensable. Els metges no confien en caixes negres; necessiten entendre el raonament. Amb aquesta arquitectura, el mapa d' atenció creuada actua com una finestra directa al procés de decisió, sense necessitat d' explicacions post-hoc com les que proporcionen Grad-CAM o LIME, que sovint són aproximacions inestables. Això aplana el camí cap a una IA responsable i auditable, un requisit cada vegada més demandat per regulacions com la llei d'IA de la Unió Europea.
En Q2BSTUDIO, entenem que la tecnologia només té valor si resol problemes reals. Per això, hem desenvolupat una pràctica de ia per a empreses que aborda des de la consultoria inicial fins al desplegament i manteniment. Treballem amb equips de recerca i hospitals per adaptar models de prompt tuning eficient a les seves necessitats específiques, ja sigui en el cribratge de DCL o en altres àrees com la detecció primerenca d'Alzheimer. El nostre equip d'enginyers pot implementar la pèrdua focal adaptativa en qualsevol framework de deep learning, integrar els mapes d'atenció en dashboards de Power BI, i assegurar la ciberseguretat tant de les dades com del propi model. A més, oferim formació als professionals sanitaris perquè interpretin correctament les sortides del sistema, maximitzant l'impacte clínic.
Mirant al futur, és probable que vegem una convergència entre aquests models lleugers i els grans models de llenguatge (LLMs) per proporcionar informes narratius automàtics basats en els mapes d'atenció. Per exemple, un agent d'IA podria descriure: 'El pacient ha omès el dibuix del rellotge a la zona del quadrant superior esquerre, cosa que correlaciona amb un patró de deteriorament visoespacial típic de DCL'. Aquesta capacitat de generar llenguatge natural a partir de senyals visuals és ja una realitat gràcies als avenços en atenció creuada i models multimodals. Q2BSTUDIO explora activament aquesta línia de desenvolupament, combinant agents IA amb visió per computadora per crear assistents clínics digitals que redueixin la càrrega administrativa dels metges.
En conclusió, l' ajust eficient de prompts amb pèrdua focal representa un canvi de paradigma en el cribratge interpretable de DCL. En congelar un backbone potent, aprendre només uns pocs tokens i utilitzar una pèrdua que integra informació contínua, s'aconsegueix un model precís, lleuger i, sobretot, transparent. Per a les organitzacions que busquen adoptar aplicacions a mida amb intel·ligència artificial, aquesta metodologia ofereix un camí pràctic i escalable. En Q2BSTUDIO, estem compromesos a portar aquestes innovacions a entorns productius, combinant la nostra experiència en cloud, ciberseguretat i business intelligence per oferir solucions completes. Si la seva empresa o institució sanitària desitja explorar com implementar un sistema de cribratge cognitiu basat en IA explicable, no dubti a contactar-nos: junts podem dissenyar un sistema que no només sigui precís, sinó que també generi confiança i valor clínic real.
