Cuando AlphaGo, de Google DeepMind, derrotó de forma sorprendente en 2016 al legendario jugador de Go Lee Sedol, los términos inteligencia artificial (IA), aprendizaje automático y aprendizaje profundo se popularizaron en el ámbito tecnológico.
BBC Newsnight: AlphaGo y el futuro de la inteligencia artificial.
La IA se define, en términos generales, como la capacidad de un ordenador o máquina para exhibir o simular comportamientos inteligentes, como el coche autónomo de Tesla y el asistente digital Siri de Apple. Es un campo en auge y el centro de gran parte de la investigación y la inversión. El aprendizaje automático es la capacidad de un sistema de IA para extraer información de datos sin procesar y aprender a hacer predicciones a partir de datos nuevos.
El aprendizaje profundo combina la inteligencia artificial con el aprendizaje automático. Se ocupa de algoritmos inspirados en la estructura y el funcionamiento del cerebro, denominados redes neuronales artificiales. El aprendizaje profundo ha recibido mucha atención recientemente, tanto en el mundo del consumo como en toda la comunidad médica.
El interés por el aprendizaje profundo se disparó con el éxito de AlexNet, una red neuronal diseñada por Alex Krizhevsky que ganó el Desafío de reconocimiento visual a gran escala de ImageNet 2012, una competición anual de clasificación de imágenes.
Otro avance relativamente reciente es el uso de unidades de procesamiento gráfico (GPU) para potenciar los algoritmos de aprendizaje profundo. Las GPU destacan en los cálculos (multiplicaciones y sumas) necesarios para las aplicaciones de aprendizaje profundo, lo que reduce el tiempo de procesamiento.
En nuestro laboratorio de la Universidad de Saskatchewan realizamos investigaciones interesantes sobre aprendizaje profundo relacionadas con aplicaciones sanitarias, y, como profesor de ingeniería eléctrica e informática, dirijo el equipo de investigación. En lo que respecta a la atención sanitaria, el uso de la IA o del aprendizaje automático para realizar diagnósticos es nuevo, y se han logrado avances prometedores y emocionantes.
Extracción de los vasos sanguíneos del ojo
La detección de vasos sanguíneos retinianos anormales es útil para diagnosticar la diabetes y las enfermedades cardíacas. Para proporcionar interpretaciones médicas fiables y significativas, el vaso retiniano debe extraerse de una imagen retiniana para obtener interpretaciones fiables y significativas. Aunque la segmentación manual es posible, se trata de una tarea compleja, que requiere mucho tiempo y resulta tediosa, y exige competencias profesionales avanzadas.
Mi equipo de investigación ha desarrollado un sistema capaz de segmentar los vasos sanguíneos retinianos simplemente leyendo una imagen retiniana sin procesar. Se trata de un sistema de diagnóstico asistido por ordenador que reduce la carga de trabajo de los especialistas en salud ocular y de los oftalmólogos, y procesa las imágenes 10 veces más rápido, manteniendo una alta precisión.
Detección del cáncer de pulmón
La tomografía computarizada (TC) se utiliza ampliamente para el diagnóstico del cáncer de pulmón. Sin embargo, dado que las representaciones visuales de las lesiones benignas (no cancerosas) y malignas (cancerosas) en las tomografías son similares, una TC no siempre puede proporcionar un diagnóstico fiable. Esto ocurre incluso con un radiólogo torácico con muchos años de experiencia. El rápido crecimiento del análisis de las tomografías computarizadasha generado una necesidad urgente de herramientas computacionales avanzadas que ayuden a los radiólogos en el progreso de las pruebas de cribado.
Para mejorar el rendimiento diagnóstico de los radiólogos, hemos propuesto una solución de aprendizaje profundo. Según los resultados de nuestra investigación, nuestra solución supera a los radiólogos experimentados. Además, el uso de una solución basada en aprendizaje profundo mejora el rendimiento diagnóstico en general, y los radiólogos con menos experiencia son quienes más se benefician del sistema.
Limitaciones y desafíos
Aunque el aprendizaje profundo ha demostrado un gran potencial en diversas tareas de la radiología y la medicina, estos sistemas están lejos de ser perfectos. Obtener conjuntos de datos anotados de alta calidad seguirá siendo un desafío para el entrenamiento de aprendizaje profundo. La mayoría de la investigación en visión artificial se basa en imágenes naturales, pero para las aplicaciones sanitarias necesitamos grandes conjuntos de datos de imágenes médicas anotadas.
Otro desafío desde el punto de vista clínico será el tiempo necesario para comprobar lo bien que funcionan las técnicas de aprendizaje profundo en comparación con los radiólogos humanos.
Es necesaria una mayor colaboración entre los médicos y los científicos del aprendizaje automático. El alto grado de complejidad de la fisiología humana también supondrá un desafío para las técnicas de aprendizaje automático.
Otro desafío son los requisitos para validar un sistema de aprendizaje profundo para su implementación clínica, lo que probablemente requeriría la colaboración de varias instituciones y grandes conjuntos de datos. Por último, se necesita una plataforma de hardware eficiente para garantizar el procesamiento rápido de los sistemas de aprendizaje profundo.
En el complejo mundo de la atención sanitaria, las herramientas de IA pueden ayudar a los profesionales a prestar un servicio más rápido y diagnósticos más precisos, y analizar datos para identificar tendencias o información genética que pueda predisponer a alguien a una enfermedad concreta. Cuando ahorrar minutos puede significar salvar vidas, la IA y el aprendizaje automático pueden ser transformadores para los trabajadores sanitarios y los pacientes.
