Diagnóstico mediante Inteligencia Artificial.

Los algoritmos informáticos para detectar enfermedades presentan un gran potencial, pero deben desarrollarse y aplicarse de forma rigurosa para su validación.

 

Las herramientas de IA para diagnóstico pueden identificar enferemedades en la retina de forma eficaz, pero deben desarrollarse de forma correcta. Créditos: Lester V. Bergman/Getty, Fuente: Nature.

Una de las aplicaciones más lucrativas para la inteligencia artificial (IA) es el sector de la salud, dada su capacidad potencial para diagnosticar o predecir el riesgo de padecer ciertas enfermedades en base al acceso y el análisis de grandes cantidades de datos en poco tiempo. Actualmente la IA con estos fines se está desarrollando a gran velocidad y sus perspectivas son prometedoras. Algunas herramientas de inteligencia artificial ya tienen aplicación en la práctica clínica. Por ejemplo: en las últimas semanas, investigadores de Google Research han presentado unos modelos de IA que escanean imágenes de la retina para predecir el riesgo de padecer enfermedades oculares y/o cardiovasculares. En concreto en un artículo publicado en la revista Nature Biomedical Engineering demuestran cómo estos modelos de “deep learning” pueden usar imágenes de la retina para detectar la edad, el sexo, el tabaquismo y la presión arterial sistólica del paciente, calcular factores de riesgo cardiovascular y predecir el riesgo de que una persona padezca un evento cardíaco grave en los próximos cinco años.

 

Investigadora desarrollando algoritmos de IA para detectar cáncer de mama en base a mamografías. Créditos: BSIP/UIG/Getty Fuente: Nature.

En el Radboud University Medical Center en Nijmegen (Paises Bajos), Thijs Kooi ha realizado su tésis doctoral en el campo del Diagnóstico de cáncer de mama mediante mamografías empleando computadoras que utilizan redes neuronales asistidas.  

Mediante sus estudios Thijs Kooi ha mostrado como los diagnósticos de IA tienen el potencial de mejorar la efectividad y los tiempos en la atención médica, ya que Las computadoras procesan cientos de miles de imágenes de enfermedades etiquetadas, hasta que consiguen clasificar las imágenes sin ayuda. En los informes, los investigadores concluyen que un algoritmo es exitoso si puede identificar una condición particular de tales imágenes con la misma eficacia que los patólogos y radiólogos. Este hecho representa un triunfo para la ciencia, y es debido a muchos años de mejoras en el poder de la computación y las redes neuronales que subyacen en el “deep learning”, el cual es un componente de la amplia familia de “machine learning” o aprendizaje automático, y que ahora podemos aplicar al diagnóstico y prevención de enfermedades.

Sin embargo esto no es suficiente para aplicar la IA en el ámbito del diagnóstico clínico. Se requiere de estudios diseñados con rigor y con herramientas y metodologías ampliamente descritos que respondan a las necesidades del diagnóstico clínico.

 

La implementación de estas nuevas herramientas debe basarse en evidencias contundentes.

 

Las quejas vienen de que muchos desarrolladores no están llevando los estudios lo suficientemente lejos: no están aplicando los enfoques basados ​​en evidencias que se establecen en campos de la ciencia y la tecnología maduros. Muchos informes de nuevas herramientas de diagnóstico de IA, por ejemplo, no van más allá de las impresiones o los reclamos difundidos en los sitios web no especializados. No han sido revisados ​​por pares, y es posible que nunca lo hagan.

Las publicaciones deberían verificar los detalles clave: el código del algoritmo subyacente y los análisis de las imágenes en las que se forma el modelo, los médicos con los que se compara, las características que la red neuronal artificial usó para tomar decisiones y las advertencias. Quizás sería conveniente que este sector se fijase en campos más desarrollados como la industria farmacéutica e imitar su forma de validación de nuevos fármacos.

 

Las redes neuronales son un modelo computacional basado en un conjunto de unidades neuronales simples, de forma similar al comportamiento observado en los axones de las neuronas en los cerebros biológicos. Cada unidad neuronal está conectada con muchas otras y los enlaces entre ellos pueden incrementar o inhibir el estado de activación de las neuronas adyacentes. Cada unidad neuronal opera de forma individual. Estos sistemas aprenden y se forman a sí mismos, en lugar de ser programados de forma explícita.
Fuente de la imagen: Pixabay.

 

Estos detalles importan. Por ejemplo, una investigación reciente liderada por Mr. Ehteshami Bejnordi perteneciente a el Radboud University Medical Center en Nijmegen (Países Bajos), encontró que un modelo de IA detectó metástasis en ganglio linfático de mujeres con cáncer de mama mejor que 11 patólogos a quienes se les permitió un tiempo de evaluación de aproximadamente 1 minuto por imagen. Sin embargo, cuando el mismo estudio se realizó con un patólogo con tiempo ilimitado, éste desempeñó su diagnóstico tan bien como el modelo de IA, y encontró, a diferencia del programa informático, ciertos casos de mayor dificultad de detección con mayor frecuencia que las computadoras. 

 

Mapas de probabilidad generados por los tres algoritmos principales de CAMELYON16. CULab, Chinese University Lab; HMS, Harvard Medical School; MGH, Massachusetts General Hospital; MIT, Massachusetts Institute of Technology; La barra de escala de colores (arriba a la derecha) indica la probabilidad de que cada píxel sea parte de una región metastásica. A: Cuatro regiones micrometastásicas anotadas en imágenes de diapositivas completas de secciones de tejido de ganglios linfáticos teñidas con hematoxilina y eosina tomadas del conjunto de pruebas de metástasis de cáncer en el conjunto de datos de ganglios linfáticos 2016 (CAMELYON16). B-D: mapas de probabilidad de cada equipo superpuestos en las imágenes originales. Fuente: JAMA Network.

 

Todo esto indica que estas nuevas herramientas deberían desarrollarse rigurosamente, capacitadas por estudios con gran cantidad de datos y validadas en experimentos controlados que se someten a una revisión por pares. Esto es lento y difícil, en parte porque las preocupaciones de privacidad pueden dificultar el acceso de los investigadores a la enorme cantidad de datos médicos necesarios.

Una noticia publicada en Nature analiza cómo los investigadores están construyendo sistemas basados ​​en blockchain para alentar a los pacientes a compartir información de forma segura. En la actualidad, la supervisión humana probablemente evitará que las deficiencias en el diagnóstico de IA tengan repercusiones serias en la práctica clínica. Es por eso que los organismos reguladores, como la FDA de los EE. UU. permite que los médicos prueben tecnologías clasificadas como de bajo riesgo. 

 

Blockchain es un tipo de libro de registros (o ledger, en inglés) distribuido para mantener un registro permanente y a prueba de manipulaciones de datos transaccionales. Una cadena de bloques, o blockchain, funciona como una base de datos descentralizada que es administrada por computadores pertenecientes a una red de punto a punto, o P2P (peer-to-peer). Cada uno de los equipos de cómputo de la red distribuida mantiene una copia del libro de registros para evitar un único punto de fallo (SPOF) y todas las copias se actualizan y validan simultáneamente. Fuente de la imagen: Pixebay, Fuente del texto explicativo: TechTarget.

 

Pero la falta de rigor conlleva riesgos inmediatos: el periodo de exageración y desaprobación podría desalentar a otros desarrolladores a invertir en técnicas similares que podrían ser mejores. Por otro lado, a veces en un campo competitivo como la IA, un conjunto de resultados bien publicitados puede ser suficiente para evitar que la competencia entre en el mismo campo. La investigación lenta y cuidadosa es un mejor enfoque. Respaldada por datos confiables y métodos robustos, puede llevar más tiempo y no generará tantos anuncios que agradan a la multitud, pero podría desarrollar todo su potencial para evitar muertes y cambiar vidas.

 

 

Referencias bibliográficas:

https://www.nature.com/articles/d41586-018-03067-x

https://jamanetwork.com/journals/jama/fullarticle/2665774

3 Poplin ,Ryan, Varadarajan A,V., Blumer ,Katy, Liu ,Yun, McConnell M,V., Corrado G,S., et al. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. link

4 B. E. Bejnordi et al. J. Am. Med. Assoc. 318, 2199–2210; 201

Carlos Casterá Redal

Biólogo sanitario y docente. Curioso, extrovertido y divulgador me apasionan la sanidad, la biotecnología, la comunicación, la enseñanza y sobre todo el aprendizaje. Contacta a través de: equipoinspira@inspirabiotech.com

carlos-castera-redal has 2 posts and counting.See all posts by carlos-castera-redal

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *