Un artículo publicado en Veterinary Pathology propone un conjunto de directrices para mejorar la transparencia y reproducibilidad de los estudios que utilizan inteligencia artificial (IA) en el análisis automatizado de imágenes en anatomía patológica veterinaria.
La irrupción de la inteligencia artificial (IA) está transformando la práctica de la patología veterinaria, sin embargo, la falta de directrices claras ha limitado la reproducibilidad y la transparencia de los estudios publicados hasta la fecha. En respuesta, un grupo interdisciplinario de expertos, incluyendo patólogos veterinarios y científicos en aprendizaje automático, ha elaborado un conjunto de directrices para la presentación de trabajos que emplean IA en esta área.
Se propone una lista de verificación de nueve puntos que abarca aspectos esenciales del desarrollo, entrenamiento y evaluación de modelos de IA, así como la interacción entre investigadores y herramientas automatizadas. Entre las recomendaciones destacan la necesidad de describir de forma detallada las metodologías empleadas, asegurar la disponibilidad pública de los datos y códigos utilizados y facilitar la evaluación rigurosa por parte de editores y revisores.
El cumplimiento de estas directrices contribuye a mejorar la calidad científica y ética de las investigaciones, fomentando un entorno de confianza y colaboración en la comunidad veterinaria. Asimismo, facilita la adopción segura y efectiva de tecnologías de IA en el diagnóstico patológico rutinario, con implicaciones positivas para el avance clínico y la investigación biomédica.
El texto destaca que, aunque la IA está transformando la práctica de la patología veterinaria, muchos manuscritos carecen de la información mínima necesaria para garantizar la reproducibilidad y transparencia. Por ello, un grupo interdisciplinario de patólogos veterinarios, científicos en aprendizaje automático y editores han desarrollado una lista de verificación de nueve puntos que los autores deben seguir al presentar estudios basados en IA. Esta lista cubre aspectos clave como la descripción completa del desarrollo metodológico (tareas de reconocimiento de patrones, creación y partición de datos, entrenamiento del modelo), evaluación del rendimiento y la interacción precisa con el modelo. También se subraya la importancia crucial de la disponibilidad de datos de entrenamiento, código fuente y modelos entrenados para asegurar que los resultados puedan ser reproducidos y validados externamente.
Así, este artículo busca facilitar que los autores, revisores y editores tengan una referencia clara para evaluar la calidad científica de los estudios de IA y fomentar la incorporación segura y confiable de estas herramientas en la práctica veterinaria rutinaria.
Esta iniciativa puede ser un punto clave en el avance metodológico dentro de la patología veterinaria, donde la transparencia en la aplicación de IA será esencial para su aceptación y su uso efectivo.
Podéis encontrar el artículo en este enlace: https://journals.sagepub.com/doi/10.1177/03009858251344320
Bertram CA, Schutten M, Ressel L, Breininger K, Webster JD, Aubreville M. Reporting guidelines for manuscripts that use artificial intelligence–based automated image analysis in Veterinary Pathology. Veterinary Pathology. 2025;62(5):615-617. doi:10.1177/03009858251344320
