Se puso a prueba la Inteligencia Artificial (IA) para detectar el cáncer de pulmón, y aprobó con honores. Con ella se puede ayudar a los médicos a realizar lecturas más precisas de las tomografías computarizadas utilizadas para detectar el cáncer de pulmón.
En una segunda opinión médica las computadoras fueron tan buenas o mejores que los médicos para detectar pequeños cánceres de pulmón en las tomografías computarizadas, en un estudio realizado por investigadores de Google y varios centros médicos.
La tecnología es un trabajo en progreso, no está lista para un uso generalizado, pero el nuevo informe, publicado el lunes en la revista Nature Medicine, ofrece una visión del futuro de la inteligencia artificial en la medicina.
Una de las áreas más prometedoras es reconocer patrones e interpretar imágenes: las mismas habilidades que los humanos usan para leer portaobjetos de microscopio, rayos X, resonancias magnéticas y otras exploraciones médicas.
Al alimentar enormes cantidades de datos de imágenes médicas en sistemas llamados redes neuronales artificiales, los investigadores pueden entrenar a las computadoras para que reconozcan patrones vinculados a una afección específica, como neumonía, cáncer o una fractura de muñeca que sería difícil de ver para una persona. El sistema sigue un algoritmo, o conjunto de instrucciones, y aprende sobre la marcha. Cuantos más datos recibe, mejor se vuelve en la interpretación.
El proceso, conocido como aprendizaje profundo, ya se está utilizando en muchas aplicaciones, como permitir que las computadoras entiendan el habla e identifiquen objetos para que un auto que conduce el automóvil reconozca una señal de alto y distinga a un peatón de un poste de teléfono. En medicina, Google ya ha creado sistemas para ayudar a los patólogos a leer portaobjetos de microscopio para diagnosticar el cáncer y para ayudar a los oftalmólogos a detectar enfermedades oculares en personas con diabetes.
«Tenemos algunas de las computadoras más grandes del mundo», dijo el Dr. Daniel Tse, gerente de proyectos de Google y autor del artículo de la revista. «Comenzamos a querer ampliar los límites de la ciencia básica para encontrar aplicaciones interesantes y geniales para trabajar».
Los estudios han encontrado que la detección puede reducir el riesgo de morir por cáncer de pulmón. Además de detectar cánceres definitivos, las exploraciones también pueden identificar manchas que luego podrían convertirse en cáncer, de modo que los radiólogos pueden clasificar a los pacientes en grupos de riesgo y decidir si necesitan biopsias o exploraciones de seguimiento más frecuentes para realizar un seguimiento de las regiones sospechosas.
Pero la prueba tiene dificultades: puede detectar tumores o confundir puntos benignos con tumores malignos e impulsar a los pacientes a procedimientos invasivos y riesgosos como biopsias de pulmón o cirugía. Y los radiólogos que observan el mismo análisis pueden tener diferentes opiniones al respecto.
Los investigadores pensaron que las computadoras podrían hacerlo mejor. Crearon una red neuronal, con múltiples capas de procesamiento, y la entrenaron al realizarle tomografías computarizadas de pacientes cuyos diagnósticos se conocían: algunos tenían cáncer de pulmón, otros no y otros tenían nódulos que luego se convirtieron en cancerosos.
Entonces, comenzaron a probar su habilidad diagnóstica.
«Todo el proceso de experimentación es como un estudiante en la escuela», dijo el Dr. Tse. «Estamos usando un gran conjunto de datos para la capacitación, que le da lecciones y exámenes de prueba para que pueda comenzar a aprender por sí mismo qué es el cáncer y qué será o no será el cáncer en el futuro». Le dimos un examen final sobre los datos que nunca se han visto después de haber pasado mucho tiempo entrenando, y el resultado que vimos en el examen final, obtuvo una A «.
Probado contra 6,716 casos con diagnósticos conocidos, el sistema tenía una precisión del 94 por ciento. Enfrentado a seis radiólogos expertos, cuando no se disponía de una exploración previa, el modelo de aprendizaje profundo superó a los médicos: tenía menos falsos positivos y falsos negativos. Cuando se disponía de una exploración anterior, el sistema y los médicos se emparejaron con los aciertos.
La capacidad de procesar grandes cantidades de datos puede hacer posible que la inteligencia artificial reconozca patrones sutiles que los humanos simplemente no pueden ver.
«Puede comenzar como algo que no podemos ver, pero eso puede abrir nuevas líneas de investigación», dijo el Dr. Mozziyar Etemadi, profesor asistente de investigación de anestesiología en la Facultad de Medicina Feinberg de la Universidad Northwestern, y autor del estudio.
El Dr. Eric Topol, director del Instituto de Traducción de Investigación Scripps en La Jolla, California, quien ha escrito extensamente sobre inteligencia artificial en medicina, dijo: «Estoy bastante seguro de que lo que han encontrado va a ser útil, pero tiene que ser probado ”. El Dr. Topol no participó en el estudio.
Dada la alta tasa de falsos positivos y falsos negativos en las exploraciones pulmonares que se realizan actualmente, dijo: «La TC de pulmón para los fumadores es tan mala que es difícil empeorarla».
No obstante, con este nuevo descubrimiento la idea es ayudar a los médicos, no reemplazarlos.
En general, hay una tasa del 30 por ciento de falsos negativos, cosas que faltan. Sin embargo, hay peligros potenciales. Un radiólogo que lee mal una exploración puede dañar a un paciente, pero un sistema de AI defectuoso en uso general podría dañar a muchos, advirtió el Dr. Topol. Antes de que se lancen al público, dijo, los sistemas deben estudiarse rigurosamente, con los resultados publicados en revistas revisadas por pares, y probarse en el mundo real para asegurarse de que funcionen tan bien allí como lo hicieron en el laboratorio.
E incluso si pasan esas pruebas, todavía tienen que ser monitoreados para detectar problemas de piratería o software, dijo.
Shravya Shetty, ingeniera de software de Google y autora del estudio, dijo: «¿Cómo se presentan los resultados de una manera que genere confianza con los radiólogos?» La respuesta, dijo, será «mostrarles lo que hay debajo del capó” ”.
Otro problema es: si un sistema de IA está aprobado por la FDA, y luego, como se espera, sigue cambiando con la experiencia y el procesamiento de más datos, ¿deberá su fabricante solicitar la aprobación nuevamente? Si es así, ¿con qué frecuencia?
La red neuronal de detección de pulmón aún no está lista para la clínica.
«Estamos colaborando con instituciones de todo el mundo para tener una idea de cómo la tecnología puede implementarse en la práctica clínica de una manera productiva», dijo el Dr. Tse. «No queremos adelantarnos a nosotros mismos».