Con la inteligencia artificial, las máquinas pueden examinar ahora miles de imágenes médicas –y miles de millones de píxeles dentro de estas imágenes– para identificar patrones demasiado sutiles para que un radiólogo o un patólogo los detecte.
La máquina utiliza después esta información para identificar la presencia de una enfermedad o estimar su agresividad, la probabilidad de supervivencia o la posible respuesta al tratamiento.
Somos ingenieros del Centro de Imagen Computacional y Diagnóstico Personalizado. Nuestro equipo trabaja con médicos y estadísticos para desarrollar y validar este tipo de herramientas.
Muchos temen que esta tecnología pretenda reemplazar a los médicos. Pero creemos que la tecnología funcionará en tándem con los seres humanos, haciéndolos más eficientes y ayudando en las decisiones sobre casos complejos.
Aprendizaje automático e imágenes médicas
En un estudio, investigadores de Stanford demostraron que las máquinas eran tan precisas como dermatólogos capacitados para distinguir los cánceres de piel de las lesiones benignas en 100 imágenes de prueba.
En otro, científicos informáticos de Google utilizaron un enfoque de IA llamado aprendizaje profundo para identificar con precisión qué pacientes tenían retinopatía diabética –un conjunto de cambios en la retina debidos a la diabetes– a partir de fotografías de alta resolución de la retina. Otro proyecto de aprendizaje profundo de Google predijo con éxito el riesgo de enfermedad cardiovascular a partir de imágenes de la retina.
Nuestro grupo ha estado desarrollando nuevas formas de identificar enfermedades en escáneres como la resonancia magnética y la tomografía computarizada, así como en imágenes digitalizadas de láminas de tejido.
En imágenes de biopsias de tejido cardíaco de 105 pacientes con enfermedad cardíaca, nuestros algoritmos predijeron con gran precisión qué pacientes iban a sufrir insuficiencia cardíaca.
En otro estudio que involucró resonancias magnéticas de pacientes con cáncer de próstata, nuestros algoritmos informáticos identificaron enfermedad clínicamente significativa en más del 70 por ciento de los casos en los que los radiólogos no la detectaron. En la mitad de los casos en los que los radiólogos pensaron erróneamente que el paciente tenía cáncer de próstata agresivo, la máquina pudo identificar correctamente que no había enfermedad clínicamente significativa.
Nuestro equipo también ha estado desarrollando enfoques para predecir la respuesta de un paciente a terapias específicas y monitorizar los tratamientos tempranos.
Tomemos el caso de la inmunoterapia. Los fármacos de inmunoterapia potencian las propias defensas inmunitarias del organismo para luchar contra el cáncer. Han demostrado un enorme potencial en comparación con la quimioterapia tradicional, pero ciertas limitaciones restringen su uso generalizado. Solo alrededor de 1 de cada 5 pacientes con cáncer de pulmón podría responder realmente a los regímenes de inmunoterapia. Además, estas terapias cuestan más de 200.000 US$ por paciente y año y pueden tener efectos tóxicos en el sistema inmunitario. Los médicos necesitan una forma de determinar con precisión qué pacientes podrían beneficiarse.
Para identificar la probabilidad de una respuesta exitosa antes de comenzar la terapia, nuestro laboratorio está desarrollando un software para examinar las tomografías computarizadas diagnósticas rutinarias de tumores pulmonares. El software analiza la textura, la intensidad y la forma del tumor, así como la forma de los vasos que alimentan los nódulos. Esta información podría ayudar a los oncólogos a optimizar la dosis de la terapia o a modificar el plan de tratamiento del paciente.
Existen muchos cánceres y otras enfermedades en las que las herramientas computacionales para predecir la agresividad de la enfermedad o la respuesta al tratamiento podrían ayudar a los médicos. Por ejemplo, un estudio publicado este junio comparó a mujeres con cáncer de mama que habían sido tratadas con quimioterapia adyuvante o con terapia endocrina estándar. En torno al 70 por ciento de las pacientes, la quimioterapia no mostró ningún beneficio en comparación con el enfoque estándar. Evitar quimioterapias innecesarias y a menudo perjudiciales se convierte, por tanto, en una cuestión clave para los médicos. Sin embargo, actualmente, la única forma de predecir el resultado depende de costosas pruebas genómicas que destruyen el tejido.
Actualmente trabajamos en una nueva forma de analizar imágenes digitalizadas de tejido de biopsias de mama. Nuestro nuevo proyecto, que comienza este año, probará la tecnología en mujeres con cáncer de mama en el Hospital Memorial Tata de Mumbai, India.
Hacerlo posible
Existe una enorme oportunidad para que los clínicos, radiólogos y patólogos enriquezcan sus decisiones con inteligencia artificial. Esto es especialmente cierto cuando se trata de elaborar planes de tratamiento adaptados a cada paciente.
Antes de que esta tecnología pueda utilizarse en hospitales, los investigadores como nosotros necesitan realizar más pruebas para garantizar que es fiable y válida. Esto puede hacerse llevando a cabo pruebas en múltiples instituciones médicas.
También es importante que los médicos puedan interpretar la tecnología. Es poco probable que adopten tecnología que no pueda explicarse con la investigación biológica existente. Por ejemplo, nuestro software de tumores pulmonares analiza la forma de los vasos porque los estudios demuestran que el grado de sinuosidad de los vasos que alimentan el tumor puede afectar negativamente a la administración de fármacos.
Por eso es crucial que los investigadores de inteligencia artificial, como nosotros, involucren a los clínicos desde las primeras etapas del proceso de desarrollo como colaboradores en pie de igualdad.
