CaresAI participó en la tarea compartida SMM4H-HeaRD 2026 al predecir las etiquetas de estadificación Tumoral, Ganglionar y Metastásica (TNM) de forma independiente a partir de informes patológicos del Atlas del Genoma del Cáncer (TCGA). El estudio planteó el problema como tres tareas de clasificación multietiqueta, explorando enfoques clásicos y de aprendizaje profundo utilizando características TF-IDF e incrustaciones de ClinicalBERT, BioBERT y PubMedBERT.

  • WRN logró puntuaciones AUROC de 0.839 (T), 0.8502 (N) y 0.803 (M) con puntuaciones F1 de 0.622, 0.702 y 0.9337 respectivamente durante el entrenamiento.
  • LightGBM con TF-IDF tuvo el mejor rendimiento en la fase de entrenamiento con puntuaciones AUROC de 0.9368 (T), 0.9524 (N) y 0.8311 (M).
  • Los resultados del conjunto de pruebas 1 mostraron puntuaciones Macro-F1 de 0.978, 0.957 y 0.879 para las categorías T, N y M.
  • El rendimiento disminuyó en el conjunto de pruebas 2, con una caída en la puntuación Macro-F1 de 0.938 a 0.858 en todas las etapas.

Los autores señalan que la disminución del rendimiento sugiere limitaciones en la generalización del modelo, sensibilidad al desequilibrio de clases y desafíos en el procesamiento de documentos clínicos extensos, lo que indica que se requiere una optimización adicional antes de su uso clínico.