Esta tecnología es un proyecto en desarrollo, no está lista para su uso generalizado, pero el nuevo reporte, publicado el 20 de mayo en la revista Nature Medicine, ofrece un vistazo hacia el futuro de la inteligencia artificial 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 examinar los portaobjetos de los microscopios, los rayos X, las resonancias magnéticas y otros exámenes médicos—. Al ingresar enormes cantidades de datos de imágenes médicas en los sistemas llamados redes neuronales artificiales, los investigadores pueden entrenar a las computadoras para que reconozcan patrones vinculados con una condición específica, como la neumonía, el cáncer o una fractura de muñeca que una persona no podría ver fácilmente. El sistema funciona con un algoritmo, o un conjunto de instrucciones, y aprende sobre la marcha. Cuantos más datos recibe, más precisas se vuelven sus interpretaciones. El proceso, conocido como aprendizaje profundo, ya se está utilizando en muchas aplicaciones, por ejemplo, para que las computadoras sean capaces de entender el habla e identificar objetos a fin de que un vehículo autónomo pueda reconocer una señal de alto y distinguir entre un peatón y un poste telefónico. En la medicina, Google ya ha creado sistemas para ayudar a los patólogos a interpretar las muestras en los portaobjetos de los microscopios a fin de diagnosticar el cáncer, y para ayudar a los oftalmólogos a detectar enfermedades oculares en personas con diabetes. “Tenemos algunas de las computadoras más grandes del mundo”, dijo Daniel Tse, director de proyectos en Google y uno de los autores del artículo de la revista. “Empezamos a querer ampliar las fronteras de la ciencia básica para encontrar aplicaciones interesantes y geniales en las cuales trabajar”. En el nuevo estudio, los investigadores aplicaron inteligencia artificial a las tomografías computarizadas que se usan para detectar cáncer de pulmón en las personas, una enfermedad que causó 1,7 millones de muertes a nivel mundial. Las tomografías computarizadas se recomiendan para personas con alto nivel de riesgo debido a su largo historial como fumadoras. Los estudios han descubierto que la evaluación puede reducir el riesgo de muerte a causa del cáncer de pulmón. Además de encontrar cánceres definitivos, las imágenes médicas también pueden identificar puntos que después podrían volverse cancerosos, por lo que los radiólogos pueden categorizar a los pacientes en grupos de riesgo y decidir si necesitan biopsias o tomografías de seguimiento más frecuentes para monitorear las regiones sospechosas. No obstante, la prueba tiene deficiencias: quizá no detecte un tumor o confunda manchas benignas con tumores malignos y empuje a los pacientes a que se realicen procedimientos invasivos y riesgosos como biopsias o intervenciones quirúrgicas de pulmón. Además, los radiólogos pueden tener opiniones distintas al analizar la misma imagen. Los investigadores pensaron que las computadoras podrían hacerlo mejor. Crearon una red neuronal, con varias capas de procesamiento, y la entrenaron por medio de muchas tomografías computarizadas de pacientes cuyos diagnósticos ya eran conocidos: algunos tenían cáncer de pulmón, otros no, y algunos tenían nódulos que luego se volvieron cancerosos. Después, empezaron a poner a prueba sus habilidades para diagnosticar. “Todo el proceso de experimentación es como el de un estudiante en la escuela”, dijo Tse. “Usamos un gran conjunto de datos para la capacitación, le dimos clases y exámenes sorpresa para que pudiera empezar a aprender por sí sola lo que es el cáncer y lo que se convertirá, o no, en cáncer en el futuro. Le hicimos un examen final con datos que nunca había visto, después de haberla capacitado durante un largo tiempo, y el resultado que vimos en el examen final fue de diez”. Evaluado con 6716 casos de los que ya se conocía el diagnóstico, el sistema tuvo una precisión del 94 por ciento. Compitió con seis radiólogos expertos, sin imágenes previas disponibles, y el modelo de aprendizaje profundo venció a los médicos: obtuvo menos falsos positivos y falsos negativos. Cuando sí había una imagen previa disponible, el sistema y los médicos quedaron empatados. La capacidad de procesar enormes cantidades de datos podría hacer posible que la inteligencia artificial reconozca patrones sutiles que los humanos simplemente no pueden ver. “Quizá empiece como algo que no logramos ver, pero eso luego podría abrir nuevas líneas de investigación”, dijo Mozziyar Etemadi, profesor adjunto de investigación de Anestesiología en la Facultad de Medicina Feinberg de la Universidad del Noroeste, y uno de los autores del estudio. Eric Topol, director del Scripps Research Institute en La Jolla, California, quien ha escrito extensamente sobre la inteligencia artificial en la medicina, dijo: “Estoy bastante seguro de que lo que descubrieron será útil, pero tienen que comprobarlo”. Topol no participó en el estudio. Dado el índice elevado de falsos positivos y falsos negativos que se obtiene en las tomografías de pulmón realizadas con los métodos actuales, dijo: “En cuanto a las tomografías computarizadas de pulmón de los fumadores, los resultados son tan malos que es difícil equivocarse”. Cuando se le preguntó si la inteligencia artificial dejaría a los radiólogos sin trabajo, Topol dijo: “¡Dios, para nada!”. La idea es ayudar a los médicos, no remplazarlos. “Les va a facilitar la vida”, afirmó. “En general, hay un índice del 30 por ciento de falsos negativos, o elementos que se pasaron por alto. No creo que sea difícil disminuir esa cifra”. No obstante, hay riesgos potenciales. Un radiólogo que interpreta una imagen de manera incorrecta podría afectar a un paciente, pero un sistema de IA deficiente de uso generalizado podría perjudicar a muchos, advirtió Topol. Antes de empezar a utilizarlos, comentó, los sistemas deben ser estudiados rigurosamente y sus resultados deben publicarse en revistas arbitradas y ponerse a prueba en el mundo real para asegurarse de que funcionan igual de bien allí que en el laboratorio. E incluso si pasan esas pruebas, deben ser monitoreados para detectar hackeos o fallas de software, mencionó. Shravya Shetty, ingeniera de software en Google y una de los autores del estudio, dijo: “¿Cómo presentas los resultados de una manera que genere confianza con los radiólogos?”. La respuesta, explicó, será “mostrarles lo que hay debajo de la superficie”. Otro problema es: si un sistema de inteligencia artificial recibe la aprobación de la Administración de Alimentos y Medicamentos (FDA) y luego, como es de esperarse, sigue cambiando con la experiencia y el procesamiento de más datos, ¿acaso el fabricante tendrá que solicitar la aprobación de nuevo? De ser así, ¿con cuánta frecuencia? La red neuronal evaluadora de pulmones no está lista para desplegarse en las clínicas aún. “Estamos colaborando con instituciones de todo el mundo para darnos una idea de cómo se puede implementar la tecnología en la práctica médica de manera productiva”, aclaró Tse. “No queremos precipitarnos con esto”. (TNYT)