Inteligencia Artificial contra el cáncer de pulmón

Inteligencia Artificial contra el cáncer de pulmón

Un algoritmo desarrollado por Google es capaz de acertar con igual o mayor precisión que los radiólogos en una prueba diagnóstica. El avance podría ser crucial para desarrollar metodologías de cribado que reduzcan la mortalidad en pacientes de cáncer de pulmón.

La Inteligencia Artificial puede llegar a ser, como mínimo, igual de buena que los doctores a la hora de detectar tumores pequeños en el pulmón. Esta es la conclusión que se desprende de un estudio llevado a cabo por GoogleAI –la rama de inteligencia artificial de Google– en colaboración con la Universidad Northwestern y datos clínicos de distintos centros médicos de Estados Unidos publicado recientemente en Nature Medicine. Aunque esta tecnología todavía se encuentra en fase de pruebas y de momento no puede usarse de forma generalizada, su puesta en marcha da una idea de lo que puede deparar el futuro al campo de la Inteligencia Artificial aplicado a la medicina.

Esta nueva investigación ayudará a mejorar la precisión
 de las medidas diagnósticas aplicadas por los doctores

Según la OMS (Organización Mundial de la Salud), en 2018 el cáncer de pulmón segó la vida de 1,76 millones de personas en todo el mundo, convirtiéndose, junto con el cáncer colorrectal, en la primera causa de muerte por esta enfermedad. Por ello su detección temprana resulta crucial para reducir la elevada tasa de mortalidad. En Estados Unidos, el cribado de cáncer de pulmón mediante TC ha reducido las muertes entre un 20 y un 43%, aunque, según apuntan los investigadores en su estudio, todavía hay que superar varios escollos, como la alta variabilidad de tumores dentro de un mismo grado o el alto número de falsos positivos y negativos detectados por los profesionales.

Aprender de las enfermedades

Por ello, los investigadores se propusieron desarrollar un algoritmo de aprendizaje profundo, un método similar al inspirado en modelar las redes de neuronas de los seres vivos, las cuales se conectan dinámicamente para aprender conceptos a partir de estímulos conocidos como "entradas sensoriales". La metodología sería similar a la utilizada en otras muchas aplicaciones, como, por ejemplo, la que permite a una máquina entender lo que decimos o a un coche autónomo identificar los distintos objetos con los que se topa. Los investigadores entrenaron al programa informático para que aprendiera a elaborar un cribado a partir de un volumen determinado de tomografías computerizadas (presentes y pasadas) de una base de datos de un total de 6.716 pacientes, algunos de los cuales habían sido diagnosticados de cáncer de pulmón a través de una biopsia.

Los diagnósticos elaborados por el programa informático eran comparadas después con las de un equipo de seis radiólogos, que realizaban exactamente el mismo cribado. El sistema de aprendizaje profundo utilizaba tanto las imágenes de TAC (tomografía computerizada) aplicadas al momento como otros TAC previos, siguiendo la misma metodología aplicada por los médicos: predicción del riesgo de aparición de tumores malignos basándose en el crecimiento de nódulos pulmonares sospechosos.

Los resultaros fueron sorprendentes: cuando tanto los doctores como el algoritmo tuvieron acceso a imágenes previas de los pulmones de esos pacientes, el nivel de acierto en el cribado fue el mismo. Sin embargo, cuando no se disponía de imágenes anteriores, el algoritmo detectó los tumores con mayor precisión: en concreto un 11% menos de falsos positivos y un 5% menos de falsos negativos. Además, según el estudio, el sistema identificaba tanto la presencia como la probabilidad de aparición de un tumor.

“La detección de tumores a través de TAC depende de un contraste de densidades. Estas serán distintas en función de la claridad del contraste entre el tejido sano y los tumores” –explica la doctora Marie-Eve Beaulieu, investigadora en oncología y directora científica de Peptomyc S.L., compañía auspiciada por el Vall d’Hebron Institut d’Oncologia , quien advierte que a la hora de detectar posibles tumores, los médicos se enfrentan a distintos obstáculos, como la existencia de tumores menos definidos u otras anomalías capaces de enmascarar los tejidos cancerosos. “El campo de visión humano solo cubre el equivalente a un círculo de unos 2,5 centímetros de diámetro con alta definición, y además durante un tiempo determinado. Hay estudios que demuestran que los radiólogos con más experiencia escanean visualmente las imágenes de tomografía de forma más sistemática, esto es, siguiendo líneas imaginarias horizontales sucesivas, mientras que los novatos miran estas mismas imágenes de una forma algo más aleatoria”.

Un modelo inspirado en la naturaleza

El sistema de aprendizaje artificial se configura como una extensa red de ‘neuronas artificiales’. “Cada uno de los nodos de la redes una unidad de transformación que emite una salida a partir de distintas entradas, y a su vez puede formar una entrada de otros nodos situados en las capas más profundas de la red –explica Jesús García Herrero , investigador de inteligencia artificial aplicada de la Universidad Carlos III de Madrid– . El modelo normalmente se entrena para procesar nuevas entradas y reproducir el concepto aprendido, pero el aprendizaje profundo va más allá, y pretende modelar la capacidad de abstracción del cerebro humano a través de capas que van operando sobre otras capas previas, generando de este modelo un modelo que trabaja con variables abstractas”.

"Los algoritmos de aprendizaje profundo funcionan analizando millones de objetos diferentes identificados previamente por un humano - explica Mozziyar Etemadi, especialista en ingeniería biomédica de la universidad Northwestern, coautor del estudio de GoogleAI, a National Geographic España–. En la mayoría de casos, asegura, la máquina es mucho más precisa que el hombre, por la sencilla razón de que es imposible para estos últimos procesar millones de ejemplos a la vez. "Los humanos solo pueden ver en una pantalla de 2D, mientras que el algoritmo puede verlo todo en 3D. Además, en nuestro caso, utilizamos dos escáneres, con lo que es como ver un resultado clínico en 4 dimensiones", aclara.

En el caso que nos ocupa, asegura Etemadi, el ordenador procesó miles de ejemplos de TAC de pulmón en los que ya se sabía el resultado. El análisis de ese gran volumen de datos permitió, explica Jesús García, ‘generar modelos muy robustos’ que, según el experto, permitieron superar lo que se conoce como ‘adaptación al contexto’, esto es, el ‘algoritmo creó un sistema lo suficientemente potente como para igualar el diagnóstico de los médicos en aquellos casos en los que se tenía conocimiento del contexto (imágenes TAC anteriores). Ello permitió reducir un margen de error, un hecho que, según la doctora Beaulieu responde a “factores humanos", que pueden estar relacionados con la experiencia de los radiólogos, con el hecho de que algunas patologías tienen una apariencia similar a la de los tumores al visualizarlas en un TAC o con la dificultad de identificar tumores de menor contraste. Es por ello que, explica, en ausencia de historial del paciente, el escaneo sistemático del algoritmo aumenta la probabilidad de detección comparado con el ojo humano.

El experimento, en boca de sus propios autores “crea la oportunidad de optimizar el proceso de cribado a través de la asistencia informática y la automatización”, y, aunque para su implementación necesitan potentes equipos informáticos y ensayos más exhaustivos, ayudará a mejorar la precisión de estas medidas diagnósticas y convertirlas en una herramienta útil que pueda implementarse en todo el mundo.”

Para el investigador Jesús García, “la utilización de métodos de inteligencia artificial en la toma de decisiones se podrá aplicar en multitud de ámbitos, entre ellos la medicina. Sin embargo, las herramientas de diagnóstico, como el caso que nos ocupa, deberán analizarse exhaustivamente con conjuntos de datos independientes”. El principal problema, según el experto, radica en lo que llama "dificultad en la "explicabilidad" de las decisiones". “Los modelos generados informáticamente –aclara– dependen de una serie de capas de variables generadas por funciones matemáticas a las que es casi imposible darles significado, de ahí el surgimiento de una nueva disciplina de investigación llamada XAI (eXplainable AI, por sus siglas en inglés), consistente en la búsqueda de representaciones legibles de los modelos de aprendizaje artificiales que permiten explicar las decisiones que toman.

Los investigadores esperan que el experimento mejore significativamente los diagnósticos en todo el mundo. "El próximo paso es probar esta herramienta en futuros TACs y ofrecer los resultados del algoritmo a los radiólogos para ayudarles a informar mejor a sus pacientes sobre el riesgo de contraer cáncer", dice Etemadi.

La doctora Beaulieu asegura que este tipo de algoritmos “pueden facilitar una parte importante la labor de los radiólogos. Por ejemplo, haciendo una primera identificación más sistemática" del cribado. Sin embargo, recuerda que el trabajo estos profesionales resulta esencial para confirmar el diagnóstico. “Quizá dentro de unos años –asevera–, cuando tengamos recopilados los datos clínicos del seguimiento de varios años de miles de pacientes, será posible validar la utilidad real de estos algoritmos. Incluso es probable que se lleguen a hacer diagnósticos completos por inteligencia artificial”.

Fuente: National Geographic

J. M. S.