Un grupo de científicos del Instituto Beckman de Ciencia y Tecnología Avanzadas(Illinois, Estados Unidos) ha creado un novedoso modelo de inteligencia artificial (IA) capaz de detectar con precisión tumores y enfermedades en las pruebas por imagen médicas. Gracias a esta herramienta, los profesionales sanitarios podrán seguir más fácilmente su línea de razonamiento y mejorar el proceso de toma de decisiones. Además, les permitirá una mejor comunicación de los resultados a los pacientes.
La inteligencia artificial bajo la que se ha diseñado el modelo está basada en el aprendizaje profundo, una rama del aprendizaje automático que trabaja más volumen de información. Este sistema funciona a través de las redes neuronales profundas, entrenadas para que trabajen por capas densamente estratificadas y de forma no lineal, de manera similar a como hacen las neuronas humanas. Así, la tecnología podrá analizar a fondo la información y dar respuestas mucho más exactas, uno de los retos más destacados de la inteligencia artificial hasta la fecha.
Sin embargo, la “caja negra” de estas redes neuronales profundas es comprender cómo realizan su trabajo. Los modelos de IA tradicionales suelen ser poco transparentes sobre cómo llegan a sus conclusiones, motivo que genera desconfianza en el ámbito clínico, un entorno en el que está en juego la salud de las personas. Para superar este estado, los autores del proyecto proponen un modelo completamente nuevo de IA, que se interpreta a sí mismo en cada pregunta y que explica cada decisión.
MAYOR PRECISIÓN DE LA IA EN LA DETECCIÓN DE ENFERMEDADES
Sourya Sengupta, PhD en el Instituto Beckman y autor principal del proyecto, ha indicado que el objetivo de la herramienta es detectar el cáncer y otras enfermedades en etapas tempranas. Todo ello con el plus añadido de aportar explicaciones precisas para el proceso de diagnóstico que permitan, además, mejorar la toma de decisiones relacionadas con los tratamientos posibles.
Actualmente, los modelos de inteligencia artificial que se utilizan como asistentes médicos utilizan miles de imágenes médicas (algunas con anomalías y otras sin ellas). Cuando estos modelos se enfrentan a algo desconocido o nunca visto, ejecutan un análisis rápido y arrojan un número entre 0 y1. Si el número es inferior a 0,5, no se asocia con que la imagen analizada contenga un tumor. En cambio, un número mayor que 0,5 merece una mirada más cercana.
“Es un sistema más transparente y confiable entre médico y paciente”
El nuevo modelo de IA de Sengupta imita esta configuración con un giro: el modelo produce un valor más un mapa visual que explica su decisión. Ese mapa, bautizado como E-map o mapa de equivalencia, consiste en una versión transformada de la radiografía, la mamografía u otra imagen médica original. A cada región del mapa visual se le asocia un número y, cuanto mayor sea este número, más interesante será desde el punto de vista médico para predecir la posible presencia de anomalías.
Además, el modelo suma los valores para llegar a su cifra final, de los que luego informa en el diagnóstico. Así lo ejemplifica Sengupta: “Si la suma total es 1 y tiene tres valores representados en el mapa (0,5, 0,3 y 0,2), un médico puede ver exactamente qué áreas del mapa contribuyeron más a esa conclusión e investigarlas más profundamente”. De tal forma, el equipo médico podrá detectar si el sistema está trabajando correctamente y responder a las preguntas de los pacientes sobre el proceso.
ENTRENAMIENTO DEL MODELO DE IA
En palabras de Sengupta, el proyecto que ha diseñado junto a su equipo “es un sistema más transparente y confiable entre médico y paciente”. Para lograr esa transparencia, el modelo ha sido entrenado en tres tareas diferentes de diagnóstico de enfermedades, incluidas más de 20.000 imágenes en total.
En concreto, el modelo analizó imágenes obtenidas a través de mamografías simuladas para aprender a detectar signos tempranos de actividad tumoral. Después, analizó imágenes de tomografía de coherencia óptica de la retina, en las que aprendió a identificar una acumulación llamada Drusen, una posible señal de degeneración macular. Y, por último, estudió radiografías de tórax para aprender a detectar cardiomegalia, una condición que consiste en el agrandamiento anormal del corazón.
"Estoy entusiasmado con el beneficio directo de nuestra herramienta para la sociedad"
Tras el entrenamiento a través de las imágenes, los autores del proyecto compararon su rendimiento con los sistemas de IA que no tienen la capacidad de autointerpretarse. Y, en esa comparación, obtuvieron que el rendimiento del nuevo modelo lograba una tasa de precisión del 77,8% para mamografías, del 99,1% para las imágenes tomografías de coherencia óptica de retina y del 83% para radiografías de tórax.
Estas altas tasas de precisión se han conseguido con un modelo de IA basado en las redes neuronales profundas, un hito en el ámbito del diagnóstico clínico. Ahora, los investigadores esperan que los modelos futuros puedan detectar y diagnosticar anomalías en todo el cuerpo e incluso diferenciarlas. Mark Anastasio, investigador del Instituto Beckman, jefe del Departamento de Bioingeniería de Illinois y co-autor del proyecto, se muestra “entusiasmado” con el “beneficio directo” que el nuevo modelo supone para la sociedad, “no sólo en términos de mejora en el diagnóstico de enfermedades, sino también a la hora de mejorar la confianza y la transparencia entre médicos y pacientes”.