Dermatología Aumentada: Pionera de la IA en medicina

Las lesiones cutáneas son una de las enfermedades con mayor prevalencia entre los humanos, afectando a millones de personas en todo el mundo¹. Es más, su tasa de prevalencia va a seguir incrementando debido al envejecimiento de la población; según algunos estudios, se sitúa por encima del 50% en pacientes de más de 65 años, con una media de más de dos enfermedades dermatológicas por anciano². Considerando además que la incidencia del cáncer de piel también incrementa con la edad, se trata de un asunto crítico. Los cambios clínicamente significativos de la piel son tan variados como las propias enfermedades y alteraciones, y pueden venir provocados por un sinfín de causas que abarca desde infecciones por bacterias, virus u hongos, hasta exposiciones a alérgenos o toxinas, pasando por condiciones genéticas congénitas, alteraciones del sistema inmunológico, traumas y cáncer. La diversidad de las enfermedades dermatológicas, sus síntomas y sus causas, complica considerablemente el proceso de diagnóstico y evaluación objetiva de las lesiones de los pacientes en la práctica clínica cotidiana.

En dermatología, la inspección visual de la lesión o el área sospechosa es el punto de partida del diagnóstico. Por lo tanto, la capacidad y precisión del diagnóstico depende en gran medida de la experiencia y formación del dermatólogo o, en zonas donde no haya una disponibilidad inmediata de servicios dermatológicos, de la del médico generalista. Por ejemplo, la precisión diagnóstica visual media de los dermatólogos titulados se sitúa en torno al 70% en el caso de melanomas³. En casos que resulten sospechosos, la inspección visual se complementa con una serie de herramientas de diagnóstico (como la dermoscopia). Aun así, incluso con este recurso técnico, los dermatólogos raras veces alcanzan niveles de precisión diagnóstica superiores al 85%4 5. La situación se complica aún si tenemos en cuenta que, además de que hay una escasez de dermatólogos, la precisión de los facultativos no especializados se sitúa entre un 20 y un 40% de acierto, considerablemente por debajo de la de los dermatólogos, según diferentes estudios^6-8. Por lo tanto, existe una necesidad real de desarrollar, evaluar y optimizar herramientas de diagnóstico nuevas, capaces de ayudar a los dermatólogos o médicos generalistas a diagnosticar lesiones cutáneas con mayor precisión.

Dado que el diagnóstico de una lesión dermatológica se basa principalmente en su inspección visual, el uso de sistemas de inteligencia artificial en esta tarea se ha convertido en una de las principales líneas de investigación en dermatología. Particularmente, los sistemas de visión artificial (una rama de la inteligencia artificial que imita el funcionamiento del sistema visual humano) son capaces de analizar y clasificar grandes cantidades de imágenes en poco tiempo. En dermatología, el reconocimiento de imágenes utilizando algoritmos de visión artificial, las llamadas redes neuronales convolucionales (en inglés deep convolutional neural networks, CNN) han demostrado ser de gran ayuda en el diagnóstico de melanomas, con grados de precisión comparables a los de los dermatólogos más experimentados^9-14. En lesiones de piel sin pigmentación (como acné, rosácea, psoriasis, dermatitis atópica, o impétigo) han cosechado resultados similares. Además, se ha publicado recientemente un informe sobre los resultados de un sistema de aprendizaje automático capaz de clasificar las 26 afecciones cutáneas más comunes¹⁵.

Ha quedado patente el potencial de estas tecnologías para mejorar la capacidad de diagnóstico de lesiones cutáneas, tanto de dermatólogos como de médicos generalistas. Algunos de estos sistemas de clasificación han sido integrados en plataformas online y aplicaciones móviles¹⁶. Sin embargo, todavía quedan muchos aspectos de su uso por dilucidar y mejorar. Las decisiones de los algoritmos por lo general se definen a partir de un subconjunto limitado de tipos de enfermedades, y, por lo tanto, no reflejan la práctica clínica, que incluye muchas más opciones de diagnóstico¹⁷. Además, los modelos de visión automática efectúan cruces de información visual basada en pixeles muy complejos, por lo que se hace muy difícil determinar el vínculo entre sus pronósticos y la información visual de la que parten, lo cual hace imprescindible realizar un trabajo minucioso de validación a posteriori. Finalmente, la eficiencia de los CNNs depende en gran medida de la complejidad y número de imágenes utilizadas durante en su entrenamiento. Esto genera dudas sobre su capacidad para generalizar a partir de conjuntos de prueba externos provenientes de otras bases de datos de imágenes. Por ejemplo, no se pueden extrapolar los aprendizajes a partir imágenes de pieles con pigmentación clara de una población eminentemente caucásica para analizar imágenes de otras etnias. Por ello, el uso de estos algoritmos de clasificación debería considerarse una ayuda para dermatólogos o médicos generalistas, no como una herramienta de autodiagnóstico sin supervisión médica.

En cualquier caso, los asistentes de diagnóstico dermatológico digital ofrecen un potencial indudable para contribuir a mejorar los procesos de diagnóstico temprano, ayudando así a reducir las tasas de mortalidad y morbilidad de las enfermedades cutáneas y evitar procedimientos innecesarios. Además, ayudaría al personal facultativo de atención primaria a decidir qué pacientes comportan mayor riesgo, por ejemplo, de padecer cáncer de piel, recomendando su derivación urgente a un dermatólogo para que éste confirme el diagnóstico y efectúe una exploración completa de la piel del paciente. Se trata de modelos que podrían implantarse fácilmente a través de una página web, aplicación móvil, o una plataforma de tele-dermatología, incluso integrarse en un sistema de historiales médicos, que permitiría acceder a servicios de inspección cutánea de una manera ágil y barata, incluso sin necesidad de acudir a un hospital o un centro de salud. En última instancia, un sistema de diagnóstico automatizado que utilice sistemas de inteligencia artificial permitirá a los facultativos dedicar más tiempo a tareas relacionadas con su capacitación y formación y ofrecer una mejor atención a los pacientes en un entorno clínico cotidiano.

Carlos M. Galmarini

Referencias

1. Hay RJ, Johns NE, Williams HC, et al. The global burden of skin disease in 2010: an analysis of the prevalence and impact of skin conditions (El problema global de las patologías dermatológicas en 2010: un análisis de la prevalencia e impacto de las afecciones cutáneas). J Invest Dermatol 2014; 134:1527-34.
2. Lim HW, Collins SAB, Resneck JS, Jr., et al. The burden of skin disease in the United States (El problema global de las patologías dermatológicas en los Estados Unidos). J Am Acad Dermatol 2017; 76:958-72 e2.
3. Argenziano G,Soyer HP. Dermoscopy of pigmented skin lesions–a valuable tool for early diagnosis of melanoma (Dermoscopia de las lesiones cutáneas pigmentadas – una valiosa herramienta para el diagnóstico temprano del melanoma). Lancet Oncol 2001; 2:443-9.
4. Kittler H, Pehamberger H, Wolff K, et al. Diagnostic accuracy of dermoscopy (La precisión diagnóstica de la dermoscopia). Lancet Oncol 2002; 3:159-65.
5. Vestergaard ME, Macaskill P, Holt PE, et al. Dermoscopy compared with naked eye examination for the diagnosis of primary melanoma: a meta-analysis of studies performed in a clinical setting (Dermoscopia frente a exámenes a simple vista para el diagnóstico de melanoma primario: un meta-análisis de estudios realizados en entornos clínicos). Br J Dermatol 2008; 159:669-76.
6. Federman DG, Concato J,Kirsner RS. Comparison of dermatologic diagnoses by primary care practitioners and dermatologists. A review of the literature (Comparación de diagnósticos dermatológicos por facultativos de atención primaria y dermatólogos. Un análisis de la literatura). Arch Fam Med 1999; 8:170-2.
7. Federman DG,Kirsner RS. The abilities of primary care physicians in dermatology: implications for quality of care (Las habilidades de los facultativos de atención primaria en dermatología: implicaciones desde el punto de vista de la calidad de la atención). Am J Manag Care 1997; 3:1487-92.
8. Moreno G, Tran H, Chia AL, et al. Prospective study to assess general practitioners’ dermatological diagnostic skills in a referral setting (Estudio prospectivo para evaluar las habilidades diagnósticas dermatológicas de los facultativos de medicina general en la derivación de pacientes). Australas J Dermatol 2007; 48:77-82.
9. Esteva A, Kuprel B, Novoa RA, et al. Dermatologist-level classification of skin cancer with deep neural networks (Clasificación a nivel de dermatólogo en la clasificación de cánceres de piel por redes neuronales. Nature 2017; 542:115-8.
10. Haenssle HA, Fink C, Schneiderbauer R, et al. Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists (Hombre contra máquina: efectividad en el diagnóstico de una red neuronal convolucional de aprendizaje profundo para el reconocimiento de melanoma dermoscópico en comparación con 58 dermatologos. Ann Oncol 2018; 29:1836-42.
11. Han SS, Kim MS, Lim W, et al. Classification of the Clinical Images for Benign and Malignant Cutaneous Tumors Using a Deep Learning Algorithm (Clasificación de imágenes clínicas de tumores cutáneos benignos y malignos utilizando un algoritmo de aprendizaje profundo). J Invest Dermatol 2018; 138:1529-38.
12. Fujisawa Y, Otomo Y, Ogata Y, et al. Deep-learning-based, computer-aided classifier developed with a small dataset of clinical images surpasses board-certified dermatologists in skin tumour diagnosis (Clasificador asistido por ordenador y basado en el aprendizaje profundo desarrollado utilizando una pequeña muestra de imágenes clínicas supera a dermatólogos certificados en el diagnóstico de tumores). Br J Dermatol 2018; 180:373-81.
13. Brinker TJ, Hekler A, Enk AH, et al. Deep neural networks are superior to dermatologists in melanoma image classification (Las redes neuronales profundas superan a los dermatólogos en la clasificación de imágenes de melanomas). Eur J Cancer 2019; 119:11-7.
14. Tschandl P, Codella N, Akay BN, et al. Comparison of the accuracy of human readers versus machine-learning algorithms for pigmented skin lesion classification: an open, web-based, international, diagnostic study (Comparativa de la precisión de lectores humanos frente a algoritmos de aprendizaje automático para la clasificación de lesiones de pieles pigmentadas: un estudio abierto, por internet e internacional de diagnósticos. Lancet Oncol 2019; 20:938-47.
15. Liu Y, Jain A, Eng C, et al. A deep learning system for differential diagnosis of skin diseases (Un sistema de aprendizaje profundo para el diagnóstico diferencial de patologías dermatológicas). arXiv 2019; 1909.05382.
16. Chuchu N, Takwoingi Y, Dinnes J, et al. Smartphone applications for triaging adults with skin lesions that are suspicious for melanoma (Aplicaciones móviles para la clasificación de adultos con lesiones cutáneas sospechosas de ser melanomas). Cochrane Database Syst Rev 2018; 12:CD013192.
17. Maron RC, Weichenthal M, Utikal JS, et al. Systematic outperformance of 112 dermatologists in multiclass skin cancer image classification by convolutional neural networks (112 dermatólogos superados sistemáticamente en clasificación multiclase de imágenes de cáncer de piel por redes neuronales convolucionales). Eur J Cancer 2019; 119:57-65.