• |
  • |

Por Denise Grady

Las computadoras fueron mejores que los médicos para detectar cáncer de pulmón en tomografías computarizadas (TACs), en un estudio publicado en la revista Nature Medicine, lo que ofrece un vistazo al futuro de la inteligencia artificial (IA) en la medicina.

Una de las áreas más prometedoras es el reconocimiento de patrones y la interpretación de imágenes, las mismas habilidades que los humanos utilizan para leer exámenes médicos.

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 con una condición específica. El sistema sigue un algoritmo y aprende sobre la marcha. Entre más datos recibe, mejor se vuelve.

El proceso, conocido como aprendizaje profundo, ya es utilizado para permitir que las computadoras sean capaces de entender el habla e identificar objetos para que un vehículo autónomo pueda reconocer una señal de alto. Google ha creado sistemas para ayudar a los patólogos a interpretar muestras en portaobjetos de microscopios, y para ayudar a los oftalmólogos a detectar enfermedades de los ojos.

En el nuevo estudio, los investigadores de Google y varios centros médicos aplicaron IA a las imágenes de TACs que se usan para detectar cáncer de pulmón, que causó 1.7 millones de muertes a nivel mundial el año pasado.

Además de encontrar cánceres, las imágenes médicas también pueden identificar puntos que después podrían volverse cancerosos. Pero puede que no detecte tumores o confunda manchas benignas con tumores malignos. Y los radiólogos pueden tener opiniones distintas al analizar la misma imagen. Los investigadores pensaron que las computadoras podrían hacerlo mejor. Crearon una red neuronal, y le dieron imágenes de pacientes cuyos diagnósticos eran conocidos.

“Todo el proceso de experimentación es como el de un estudiante en la escuela”, dijo Daniel Tse, de Google, uno de los autores del artículo en la revista. “Estamos usando un gran conjunto de datos para la capacitación, le dimos clases y exámenes sorpresa para que pudiera empezar a aprender por sí solo lo que es el cáncer y lo que se convertirá, o no, en cáncer en el futuro”.

Probado con 6 mil 716 casos con diagnóstico conocido, el sistema tuvo una precisión del 94 por ciento. Comparado con seis radiólogos expertos, sin imágenes previas disponibles, el modelo de aprendizaje profundo tuvo menos falsos positivos y falsos negativos.

Eric Topol, que ha escrito sobre la inteligencia artificial en la medicina, pero no participó en el estudio, dijo: “Estoy bastante confiado en que lo que descubrieron será útil, pero se tiene que comprobar”.

Pero antes de que se usen con el público, indicó, los sistemas deben ser probados en el mundo real.

The New York Times