Elaborado por Materia para OpenMind Recomendado por Materia
5
Inicio Tu radiólogo será un ordenador
31 julio 2018

Tu radiólogo será un ordenador

Innovación | Inteligencia artificial | Machine learning | Salud | Tecnología
Tiempo estimado de lectura Tiempo 5 de lectura

Si bien al principio tolerábamos la intromisión de la Inteligencia Artificial (IA) en cuestiones a las que generalmente damos poca importancia, como sugerirnos película en sugerirnos película en Netflix o priorizar el contenido en nuestras redes sociales, estamos cada vez más cerca de que sirva para decisiones de mayor calado, como ayudar a los médicos en sus diagnósticos.

La IA tiene la capacidad de interpretar y analizar rápidamente mucha información, lo cual resulta muy prometedor en el terreno de la medicina, donde cada vez más se genera un volumen mayor de datos digitales. Tareas como el desarrollo de nuevos fármacos, la secuenciación de ADN, el uso de implantes y parches inteligentes, la monitorización remota de pacientes y los estudios epidemiológicos con miles de pacientes son algunos de los campos que podrían beneficiarse de esta tecnología en el futuro cercano.

Pero los expertos coinciden en que uno de los terrenos más fértiles para sacar partido a la IA en medicina es el de la obtención e interpretación de imágenes para el diagnóstico —como las ecografías, tomografías computerizadas (CT) o resonancias magnéticas—. Los resultados, en forma de imágenes digitales, deben ser interpretados por los médicos, que con su entrenamiento y pericia pueden extraer de ellas información útil para llegar a un diagnóstico.

Como el número de imágenes que se adquieren —y su calidad, sensibilidad y resolución— aumentan sin cesar, los investigadores tratan de desarrollar tecnologías para ayudar a los radiólogos a valorar estas imágenes de manera más rápida, precisa y efectiva. Hay numerosos proyectos y líneas de investigación en marcha para llevar la IA a la planta de radiología.

Numerosas aplicaciones

Un ejemplo es el sistema desarrollado por Francisco Albiol (IFIC/CSIC-Universidad de Valencia) y su equipo, en el que han entrenado a un programa informático para la detección temprana del cáncer de mama. Este trabajo lo han realizado como parte del Digital Mammography DREAM Challenge, un concurso abierto a grupos de investigación de todo el mundo. Para ello han desarrollado un algoritmo que logra detectar el cáncer de mama en mamografías con una precisión de entre el 80% y 90%, un porcentaje de éxito similar al de un médico. Si se combina el método informático con la pericia del profesional, la precisión en la detección llega hasta el 95%. A nivel global, esta mejora podría reducir el número de falsos positivos en mamografías, evitando así que millones de mujeres tengan que someterse a biopsias innecesarias.

El investigador del IFIC, Francisco Albiol (segundo por la derecha), junto a su equipo. Crédito: IFIC UPV

Otro ejemplo es el proyecto CheXNet, desarrollado en la Universidad de Stanford (EEUU), basado en el deep learning —un método para que la IA aprenda por sí misma a partir de grandes colecciones de datos— para detectar casos de neumonía en radiografías. Para ello han utilizado más de 120.000 radiografías pertenecientes a una base de datos publicada por el National Institute of Health (EEUU). El resultado es que CheXNet es capaz de superar en precisión a los radiólogos humanos. A partir de la imagen de una radiografía, indica la probabilidad de que el enfermo tenga neumonía e identifica las áreas de la imagen donde los signos de esta son más evidentes.

También en Stanford, un grupo de ingenieros liderado por Sebastian Thrun (Stanford Artificial Intelligence Laboratory) han utilizado la misma técnica para para detectar melanomas en imágenes de lesiones cutáneas. Thrun y su equipo entrenaron a un ordenador utilizando 130.000 imágenes de lesiones causadas por 2.000 patologías distintas. Compararon los diagnósticos realizados por su sistema con el de 21 dermatólogos, logrando unos resultados equivalentes a los obtenidos por los especialistas. Actualmente Thrun y su equipo trabajan para trasladar su algoritmo para que pueda utilizarse desde un teléfono móvil, universalizando así el acceso a esta tecnología.

Otras iniciativas incluyen un algoritmo capaz de diagnosticar la enfermedad pulmonar obstructiva crónica en tomografías computerizadas desarrollado en la universidad de Harvard (EEUU), o el proyecto iFind liderado por el King’s College London (Reino Unido), dedicado a desarrollar un método automatizado para adquirir e interpretar ecografías durante el embarazo.

Portada de la revista Nature en la que se detalla el trabajo de los investigadores de Stanford en la detección del melanoma a partir de fotografías. Fuente: cs.standford.edu

Desafíos pendientes

Sin embargo, aún hay algunos detalles que pulir para poder llevar la imagen médica asistida por IA a las consultas de forma generalizada. El acceso a grandes colecciones de datos para entrenar a los algoritmos genera problemas que van desde los relacionados con la privacidad del paciente hasta la gestión y almacenamiento de los datos. “Los datos son la nueva fuente de conocimiento,” señala Francisco Albiol. “Para nosotros fue fundamental poder acceder a estas colecciones, porque no es fácil disponer de 800.000 imágenes como las que hemos podido analizar”. Otro problema es que para que las imágenes puedan utilizarse en el entrenamiento de los algoritmos, estas deben estar correctamente etiquetadas con los diagnósticos y datos médicos del paciente.

Por otra parte, está la cuestión de la interpretabilidad: saber por qué ha llegado el algoritmo a una conclusión y no a otra. “Las redes neuronales actuales son tan complejas que es imposible saber qué está pasando exactamente”, explica Germán González, CEO de Sierra Research S.L., una empresa de consultoría especializada en análisis de imagen médica. “Una red neuronal moderna tiene millones de parámetros y cada uno tiene su importancia”. Además, cada vez que se añaden nuevos casos al entrenamiento de la red neuronal esta cambia sus resultados ligeramente.

Los investigadores del proyecto CheXNet comparan radiografías con las imágenes generadas por su sistema a partir de ellas. Crédito: L.A. Cicero

Para reducir todos estos problemas es necesario un proceso regulatorio que verifique que los sistemas son fiables. En Estados Unidos, para poder utilizar un método basado en inteligencia artificial en el entorno clínico, este debe estar aprobado por la Agencia Nacional de Alimentos y Medicamentos (FDA).

Visión de Futuro

Así pues, aunque se están logrando grandes avances, aún falta tiempo para que veamos el uso de tecnologías basadas en el deep learning entrar de lleno en la consulta del médico. Según González uno de los principales factores va a ser la regulación del sector. “Hay casos en los que veo claro que se va a aplicar”, dice en referencia a los sistemas de apoyo en la detección de patologías en las imágenes. “Para cosas más avanzadas como el diagnóstico de una enfermedad sin una segunda revisión del médico estamos a años de que ocurra”.

Por su parte, Albiol destaca que esta tecnología tiene un gran potencial cuando se miran las grandes cifras, destacando que lograr una mejora del 5% o el 10% a en cuestiones que afectan a millones de personas cada año tiene un gran impacto. “Cuando los números los aplicas a gran escala, el número de beneficiarios es enorme”, concluye.

Javier Barbuzano

@javibarbuzano

Publicaciones relacionadas

Comentarios sobre esta publicación

Escribe un comentario aquí…* (Máximo de 500 palabras)
El comentario no puede estar vacío
*Tu comentario será revisado antes de ser publicado
La comprobación captcha debe estar aprobada