La Inteligencia artificial e imágenes radiológicas
La Inteligencia artificial e imágenes radiológicas
La creciente aparición de nuevas empresas dedicada al mundo de la inteligencia artificial (IA) está impactando mucho campos de nuestra vida, la salud sigue siendo un actor importante y por su parte la Radiología es uno de los campos mas beneficiados . Los médicos requieren apoyo en algunos casos como por ejemplo: detectar de manera mas efectiva una hemorragia intracraneal en un paciente traumatizado, o para cuantificar el avance de la esclerosis múltiple.
Inteligencia Artificial y algoritmos de aprendizaje profundo (deep learning)
Dentro de los próximos cinco años, estarán a disposición del público un conjunto impresionante de aplicaciones orientadas a favorecer el diagnóstico de imágenes diagnósticas. Actualmente empresas como Google y Microsoft (a traves de su suite “Azure Machine Learning “) ya la tienen a disposición pero para un público muy reducido ya que están en etapa de pruebas. Pero el mundo va más alla: “Muy pronto, los radiólogos consumirán .apps de forma muy diferente, descargando algoritmos “a la carta” para el diagnóstico por imágenes desde las conocidas “tiendas de aplicaciones”. ¿Pero en realidad existe un desarrollo tan acelerado? Sin duda la disminución en el tiempo y la experiencia especializada que se necesita para desarrollar nuevas aplicaciones de Inteligencia Artificial cada dia es menor y a muy corto plazo, su disponibilidad será evidente” señala el Dr. Eliot Siegel de la unidad de Radiología del Hospital de la Universidad de Maryland.
¿Qué está acelerando el desarrollo de aplicaciones de IA en radiología?
Para algunas personas, la aplicación de inteligencia artificial en imágenes de diagnóstico suena como algo muy novedoso. Sin embargo, la radiología ha venido aplicando una forma de IA, el llamado “Diagnóstico asistido por computadora (CAD)”, desde hace varias décadas. Las aplicaciones de IA que están surgiendo ahora no son mejores ni peores que las de CAD.
Sin embargo, desarrollar aplicaciones de CAD es un proceso complejo, lento y que requiere de muchos pasos. Requiere conocimiento sofisticado de segmentación de imágenes, extracción de características y análisis estadístico. En primer lugar, un desarrollador de CAD necesita tener acceso a una gran cantidad de casos de una determinada patología. Luego, el desarrollador debe elegir entre una variedad de técnicas avanzadas de análisis de imágenes que definen los límites de un órgano por ejemplo, luego debemos segmentar la anatomía normal, identificar las estructuras que están fuera del ámbito de la anatomía normal y luego aíslarlas.
¿Que hacer?
A partir de este punto el desarrollador debe analizar múltiples parámetros, como el tamaño, los contornos de los bordes, la simetría, la textura y muchos otros.
Al contrario, con la Inteligencia Artificial, los algoritmos se generan en base a los datos, lo que elimina el largo proceso de desarrollo sobre las imagenes. Esto para el caso de los algoritmos que utilizan aprendizaje No supervisado. La Inteligencia artificial a través de algoritmos como las redes neurales, utiliza un conjunto de datos para entrenamiento y otro conjunto para pruebas. Al final del proceso, el algoritmo adecuadamente entrenado habrá aprendido a realizar un proceso y seguirá aprendiendo de manera contínua, perfeccionándo asi su rendimiento . (esto es lo que se conoce como Machine Larning)
¿Se podran adquirir en el Apple store y en Google play ? Qué tan buenas serán unas aplicaciones y otras ?
Sin duda, la dificultad y la duración del tiempo de desarrollo de aplicaciones ha disminuido. Pero ahora surgen otras variables que son las que le cuestionan la “calidad” a esas aplicaciones: Un tema al que se le está dando gran relevancia y que personalmente aún no logro “entender” a profundidad es cuántos conjuntos de datos, imágenes médicas, son suficientes para “entrenar” un algoritmo ? Algunos desarrolladores, probablemente aquellos que no son de la profesión médica, piensan que un total de 50 casos podría ser suficientes. Pero como en todo en la vida entre más experiencia, mejor desempeño. Si hay mas datos los indices de sensibilidad y especificidad serán mejores.
Aprendizaje Profundo ( una nueva dimensión )
Aunque actualmente se requiere menos tiempo y experiencia para desarrollar un algoritmo de aprendizaje profundo, el desarrollo de pruebas, la verificación y la reglamentación demora tanto o incluso más que para las aplicaciones de CAD (aprendizaje asistido por computación ) desarrolladas más tradicionalmente. En los EUA, la FDA ha aprobado hasta hoy un grupo muy pequeño de aplicaciones que utilizan ” Deep Learning” ( Aprendizaje profundo ) , yo creo que esto se debe a que la evaluación de la eficacia de las aplicaciones de IA, requiere nuevos conjuntos de habilidades. Pero muy pronto, la FDA se verá inundada de solicitudes de empresas que someterán sus aplicaciones de IA a evaluación porque esto apenas comienza.
Consideraciones éticas y técnicas
Dentro de este proceso de evaluación de algoritmos, hay mucha tela que cortar. En muchas publicaciones ” de fuentes poco confiables” se afirma que el aprendizaje profundo, supera al conocimiento y experiencia de los radiólogos. Sin embargo, es facilmente demostrable que estos estudios tienen importantes carencias en cuanto a su rigurosidad técnica desde el punto de vista clínico. ( yo me temo que muchos de estos algoritmos de “deep learning (aprendizaje profundo) ” están siendo desarrollados por científicos de datos e informáticos , con escasa participación de médicos )
¿Qué aplicaciones deben ser aprobadas por Agencias estatales como la FDA en los EUA y otras en la UE ? ¿Y quién es el responsable de un diagnóstico desde la perspectiva médico legal?
Whatsapp , una amenaza latente.
Actualmente hay más de 100 aplicaciones de diagnóstico dermatológico para teléfonos inteligentes, PERO ninguna ha sido adecuadamente probada utilizando ensayos clínicos. Así como existen requisitos muy estrictos y bien desarrollados para la certificación de los médicos radiólogos o de otras especialidades, se deberia ser igualmente estrictos en las pruebas y la validación de algoritmos de IA que valoran imágenes médicas, especialmente aquellos los que se ponen a disposición del público general.
No dejemos de lado que detras de todo diagnóstico siempre hay un responsable, entonces me pregunto: En estos casos ¿quién es responsable desde el punto de vista médico-legal de un diagnóstico erróneo cuando es una computadora la que realiza un diagnóstico ?
El dilema de la calidad
Las respuestas a muchas de estas preguntas las discutimos en nuestros centros de trabajo, aunque las soluciones definitivas tomará mucho tiempo. ¿Impactarán estas tecnologías en la calidad de la atención de pacientes ? lograran estas tecnologias desplazar los especialistas, sustituyéndolos por algoritmos ? Creo que la masificación de estas tecnologías también traerá sus problemas. Como todo en la vida esto es un tema de calidad/costo. Sin duda la comnpetencia provocará muchas diferencias de calidad en los diferentes productos y las empresas aprovecharán esta masificación. Las Universidades deberan asumir aca un papel protagónico.
Que preguntas les hacemos hoy día a los radiólogos ?
Las discusiones en los departamentos de radiología nos terminan llevando a la necesidad de mejorar los flujos de trabajo de los departamentos, por ello, en primer término los ayudamos a identificar qué tipo de aplicaciones mejorarían esos flujos. Pero en terminos de IA les preguntamos ¿Qué interpretaciones son las más comunes ? Luego, nosotros hacemos nuestra tarea investigando si existen en el mercado actualmente aplicaciones que hagan eso mismo ? Están bien probadas ? Que conjuntos de datos utilizan ? Nos interesa conocer si la población sobre la cual se desarrolló el algoritmo posee características similares a nuestra población ! Sería muy peligroso que utilicemos el mismo algoritmo desarrollado para una población africana o lationoamericana pretendiendo que los perfiles clínicos y epidemiológicos sean similares. Ya que datos de fuentes únicas o limitadas podrían no reflejar las condiciones clínicas de nuestros pacientes.
La IA para datos crudos es más prometedora que el análisis puro de imágenes
A pesar de que hay mucha atención centrada en la inteligencia artificial para la interpretación de imágenes, parece que la tendencia va hacia el analisis de los datos antes que a las imágenes propiamente. Acá está la discusión hoy en dia. Me parece que podemos dejar de lado la discusión sobre si AI reemplazará a los radiólogos.
Yo personalmente creo que No lo hará. Sin embargo, no perdamos de vista que ya hay aplicaciones que efectivamente están reemplazando eficientemente funciones “diarias” de la interpretación radiológica ( como la detección de nódulos pulmonares o las fracturas costales), hace algunos meses en mi blog hablé algo sobre CheXnet, una aplicación que detecta procesos neumónicos de manera automática (ver imagen arriba).
El tema sigue avanzando y los nuevos algoritmos de aprendizaje profundo proporcionan mejores interpretaciones para confirmar casos sospechosos de patología. Yo creo que acá habrá que ver a la AI como nuestro socio en el diagnóstico en lugar de nuestro competidor.
En el corto plazo, la mayoría de las aplicaciones de IA estarán orientadas a la interpretación de datos en lugar de la interpretación pura de imágenes. Por ello, ahora la tendencia está puesta en aplicaciones que buscan mejorar la calidad de la imágenes, pero antes que esto, nuestros departamentos radiológicos necesitarán mejorar sus flujos de trabajo, la comunicación y el seguimiento de los casos.