A Systematic Review on the Generative AI Applications in Human Medical Genomics

Resumen Técnico: Una Revisión Sistemática sobre las Aplicaciones de la IA Generativa en la Genómica Médica Humana

Planteamiento del Problema
Las técnicas estadísticas tradicionales y los métodos convencionales de aprendizaje automático han contribuido históricamente a la genética y al diagnóstico de enfermedades hereditarias, pero a menudo tienen dificultades con datos de alta dimensionalidad y complejidad, así como con tareas que requieren una comprensión contextual profunda. Si bien el aprendizaje profundo ha abordado algunas limitaciones, el campo requiere una evaluación exhaustiva de los modelos de lenguaje de gran tamaño (LLM) y las arquitecturas de transformadores de vanguardia. Las revisiones existentes carecen a menudo de rigor sistemático, se centran con demasiada estrechez en modelos específicos (por ejemplo, ChatGPT) o enfermedades, o no logran distinguir entre las aplicaciones generales de la atención médica y el diagnóstico genético específico. Existe una necesidad crítica de mapear las capacidades y limitaciones actuales de la IA generativa a lo largo de todo el flujo de trabajo del diagnóstico de enfermedades hereditarias, desde la organización de datos preanalíticos hasta el soporte de decisiones postanalíticas.

Metodología
Este estudio emplea un enfoque de revisión sistemática que se adhiere a las directrices PRISMA 2020. Los autores realizaron una búsqueda automatizada basada en palabras clave en cuatro repositorios principales: PubMed, bioRxiv, medRxiv y arXiv.

• Alcance de la búsqueda: La búsqueda se centró en la literatura desde 2023 hasta enero de 2025 para capturar los desarrollos más recientes en este campo en rápida evolución.
• Estrategia de consulta: La búsqueda combinó términos relacionados con la genética/medicina (por ejemplo, "NGS", "interpretación de variantes", "fenotipo") con términos relacionados con los modelos de transformadores y LLM (por ejemplo, "LLM", "GPT", "BERT", "RAG", "mecanismo de atención").
• Proceso de filtrado: Un conjunto inicial de 57,558 artículos se redujo a 51,613 tras la deduplicación automatizada. Un análisis semántico primario mediante puntuaciones TF-IDF y expresiones regulares filtró la relevancia para tres categorías: términos relacionados con LLM, términos clínicos y términos relacionados con la genética.
• Criterios de selección: Los artículos se clasificaron manualmente en "irrelevantes", "parcialmente relevantes" (discuten modelos de lenguaje pero no se centran directamente en el alcance del estudio, o utilizan modelos obsoletos) y "totalmente relevantes" (utilizan arquitectias de transformadores modernas en diagnósticos y genética).
• Conjunto de datos final: La revisión analizó un total de 172 estudios (123 totalmente relevantes y 49 parcialmente relevantes), cubriendo aplicaciones en las etapas diagnósticas (preanalítica, analítica y postanalítica) y en educación.

Contribuciones Clave y Resultados
La revisión categoriza la aplicación de los LLM y los transformadores en las tres etapas estándar del flujo de trabajo del diagnóstico de la genética médica, junto con las aplicaciones educativas:

1. Etapa Preanalítica (Mejora de los Siguientes Pasos):

   • Navegación de Conocimiento y Revisión de Literatura: Los LLM se utilizan para extraer conocimiento estructurado (genes, fenotipos, variantes) de textos no estructurados e Historias Clínicas Electrónicas (EHR). Los modelos basados en codificadores (por ejemplo, BERT) dominan las tareas de Reconocimiento de Entidades Nombradas (NER) y extracción de relaciones. Los modelos basados en decodificadores (por ejemplo, GPT-3.5/4) se utilizan cada vez más para la respuesta a preguntas y la generación de hipótesis, aunque enfrentan desafíos con las alucinaciones y la sensibilidad de los prompts. Herramientas como PubTator 3.0 y GeneGPT demuestran la integración de la generación aumentada por recuperación (RAG) y el acceso a APIs en vivo para la recuperación de evidencia.
   • Estratificación de Riesgos: Los modelos de transformadores analizan notas clínicas, antecedentes familiares y datos multimodales para evaluar las predisposiciones genéticas individuales e identificar grupos de pacientes de alto riesgo. Los modelos que utilizan mecanismos de atención han mostrado promesa en la predicción de trayectorias de enfermedades (por ejemplo, insuficiencia cardíaca, supervivencia al cáncer) integrando EHR, imágenes y datos genéticos.

2. Etapa Analítica (Análisis de Datos e Interpretación):

   • Análisis de Imágenes Médicas: Los Vision Transformers (ViTs) se aplican cada vez más para vincular características visuales con datos genómicos. Las aplicaciones incluyen la detección de anomalías estructurales en resonancias magnéticas/tomografías computarizadas, la predicción de mutaciones genéticas a partir de histología y la identificación de rasgos sindrómicos en imágenes faciales (por ejemplo, GestaltMML). Los ViTs permiten la predicción genética directa a partir de datos visuales, como la predicción de subtipos tumorales o cariotipado a partir de imágenes microscópicas.
   • Análisis de Efectos de Variantes: Los modelos fundacionales entrenados en secuencias de ADN crudas (por ejemplo, Nucleotide Transformer, GENA-LM, MethylGPT) se utilizan para predecir las consecuencias funcionales de las variantes en la estructura de las proteínas, la regulación y la respuesta a fármacos. Modelos como AlphaMissense combinan datos estructurales con el modelado de lenguaje de proteínas para clasificar la patogenicidad de las variantes de sentido erróneo (missense).
   • Interpretación de Variantes Clínicas: Los LLM ayudan a identificar y clasificar variantes causales. Herramientas como Genetic Transformer (GeneT) y MAVERICK utilizan modelos ajustados para emular el razonamiento experto, reduciendo el espacio de búsqueda para variantes de enfermedades raras. VarChat facilita la interacción en lenguaje natural para resumir la literatura relacionada con las variantes.

3. Etapa Postanalítica (Diagnóstico y Decisiones):

   • Clasificación de Pacientes y Subtipificación: Los transformadores integran imágenes, genética y datos clínicos longitudinales para estratificar pacientes e identificar subtipos de enfermedades (por ejemplo, progresión de la enfermedad de Alzheimer, carga de mutación tumoral).
   • Agregación de Datos y Resultados: Los modelos se utilizan para fusionar fuentes de datos heterogéneas para el pronóstico y las recomendaciones de tratamiento. Los modelos generativos se evalúan para medir su capacidad de sugerir estrategias de tratamiento basadas en la evidencia en oncología, aunque la fiabilidad varía.
   • Generación de Informes Clínicos: Los LLM apoyan la automatización de la generación de informes y el soporte de decisiones, asistiendo a los clínicos en la síntesis de datos genómicos y la comunicación de resultados a los pacientes. Sin embargo, los estudios destacan la necesidad de supervisión experta debido a las ocasionales imprecisiones fácticas.

4. Educación:

   • Los LLM sirven como herramientas de aprendizaje conversacional para estudiantes de medicina y profesionales, ofreciendo sistemas de preguntas y respuestas y materiales visuales sintéticos (por ejemplo, imágenes faciales generadas por IA para el entrenamiento de síndromes) para abordar las preocupaciones de privacidad y la escasez de educadores.

Significancia y Reivindicaciones
El artículo afirma que los modelos basados en transformadores avanzan significativamente la estratificación de enfermedades y riesgos, la interpretación de variantes, el análisis de imágenes médicas y la generación de informes en la genómica médica humana. La revisión sirve como una clasificación exhaustiva y una guía para investigadores y profesionales que navegan en este campo en evolución.

Sin embargo, los autores mantienen una postura modesta respecto a las limitaciones actuales:

• Desafíos de Integración: Persisten obstáculos importantes para integrar datos multimodales (secuencias genómicas, imágenes y registros clínicos) en flujos de trabajo unificados y clínicamente robustos.
• Generalizabilidad: Existen limitaciones en la generalizabilidad de los modelos a través de diferentes poblaciones y entornos clínicos.
• Fiabilidad: Problemas como las alucinaciones, la deriva del modelo (model drift) y los sesgos (raciales, demográficos y lingüísticos) siguen siendo barreras significativas para el despliegue clínico completo.
• Rol de la IA: La revisión enfatiza que los LLM funcionan actualmente como herramientas de apoyo y no como reemplazos de la experiencia humana. La supervisión humana sigue siendo esencial para la toma de decisiones, particularmente en entornos de diagnóstico.

El artículo concluye que, si bien los LLM están transformando el diagnóstico de enfermedades hereditarias y apoyando la educación genética, su implementación clínica exitosa depende de abordar la integridad de los datos, el sesgo y el desarrollo de estrategias de integración multimodal fiables.