Los desafíos de la aplicación de la inteligencia artificial a las imágenes médicas

La inteligencia artificial está teniendo un impacto disruptivo en muchas áreas, incluida la atención médica. Las nuevas técnicas de aprendizaje profundo, junto con una gran cantidad de imágenes médicas y datos de salud digitales, ahora brindan informes de diagnóstico estandarizados, reproducibles, confiables y precisos. Estos solo pueden mejorar la atención y la seguridad del paciente, mejorando también la práctica de la medicina clínica. Sin embargo, han surgido una serie de desafíos que obstaculizan el progreso y una aplicación más generalizada. 

Las imágenes médicas son uno de los mejores casos del uso de la inteligencia artificial en el cuidado de la salud. Pero la falta de participación de los médicos y los cuellos de botella de datos pueden hacer que la tecnología sea menos útil de lo prometido. Entre las muchas aplicaciones posibles de la inteligencia artificial y el aprendizaje automático en el cuidado de la salud, la imagen médica es quizás la más prometedora.

Las herramientas analíticas avanzadas han demostrado su capacidad para extraer información significativa para mejorar la toma de decisiones, a veces con mayor precisión que los propios humanos. Esto por ejemplo, cuando se utilizan para decodificar la naturaleza complicada de las resonancias magnéticas, las tomografías computarizadas y otros tipos de pruebas.

Se necesita cantidades masivas de datos de imágenes médicas

Hay tanta información contenida en las imágenes médicas que ni siquiera nos hemos acercado a aprovechar a través de los métodos tradicionales de interpretación. Aunque la inteligencia artificial tiene un potencial aparentemente ilimitado para recopilar nuevos conocimientos a partir de imágenes médicas, la implementación de la tecnología en entornos clínicos presenta algunas barreras importantes.

Las mismas complejidades que hacen de las imágenes médicas un dominio ideal para los algoritmos analíticos, son las mismas complejidades que pueden obstaculizar el uso de la inteligencia artificial. Los desarrolladores e investigadores necesitan cantidades masivas de datos de imágenes para entrenar con éxito los modelos de inteligencia artificial y asegurarse de que estén listos para implementarse en la atención de rutina.

Incluso después de la implementación, los sistemas de salud deben monitorear constantemente el desempeño de estas herramientas. Además es necesario verificar que los proveedores estén utilizando las tecnologías para mejorar de manera efectiva la prestación de atención.

A medida que la industria avanza en su larga marcha hacia la automatización, los investigadores y las organizaciones de salud están trabajando para encontrar soluciones a estos desafíos. Esto representa un esfuerzo que eventualmente conducirá a un mejor desempeño clínico y una mejor atención al paciente.

ARTÍCULO RELACIONADO: Medicina de precisión, el futuro del manejo de enfermedades

Heterogeneidad de datos y complejidad de imágenes médicas

Muchos de los primeros éxitos de la visión por computadora se basaron en imágenes fotográficas de objetos comunes como frutas, automóviles, casas, etc. 

El ImageNet Large Scale Visual Recognition Challenge es uno de los concursos más famosos que evalúa algoritmos para la detección de objetos y la clasificación de imágenes a gran escala. Comenzó en 2010 con un conjunto de entrenamiento que contenía más de 1.2 millones de imágenes fotográficas Joint Photographic Expert Group (JPEG) en color, distribuidas en 1000 clases. La resolución de imagen promedio en esta colección fue relativamente pequeña a 482 × 415 píxeles. 

Las imágenes médicas, que generalmente se almacenan en formato de imágenes digitales como DICOM (Digital Imaging and Communication On Medicine). DICOM se estableció como el estándar de transmisión de imágenes médicas y datos entre hardware de propósito médico y es inherentemente diferente del conjunto de datos de ImageNet. El estándar DICOM se creó para permitir numerosos procesos en imágenes médicas y es responsable de una variedad de avances en el campo, especialmente la digitalización de la radiología. 

El estándar DICOM puede admitir diferentes resoluciones y asignación de profundidad de bits. Por ejemplo, los estudios mamográficos pueden tener resoluciones de hasta 3000 × 4000 píxeles. Si bien la mayoría de las modalidades de imágenes médicas producen imágenes en escala de grises, hay algunas que se muestran y almacenan como imágenes en color, como PET / CT, Doppler US y objetos de captura secundaria (imágenes de visualización avanzada).

La forma en que se adquieren las imágenes médicas difiere de las imágenes fotográficas

Algunos estudios de imagenología en medicina, por ejemplo, las radiografías, pueden requerir más de una vista para determinar la posición tridimensional de estructuras dentro del cuerpo. Por otro lado, las modalidades transversales como las tomografías y las resonancias adquieren datos de imagen de forma volumétrica. Además, las modalidades de secuencias múltiples como la resonancia magnética contienen múltiples tipos de imágenes de la misma parte del cuerpo para extraer características específicas del tejido de la imagen. 

El concepto de comparación de imágenes, una característica vital en las imágenes médicas que se utiliza para determinar las alteraciones en el estado de salud de los pacientes a lo largo del tiempo, no se explora comúnmente en aplicaciones no médicas. Además, los hallazgos de imágenes médicas a menudo no son específicos para una sola entidad de enfermedad y pueden identificarse en una variedad de afecciones. Por ejemplo, en una radiografía de tórax una opacidad focal puede representar una potencial infección, pero también inflamación no infecciosa, hemorragia, cicatrización por traumatismo previo o neoplasia maligna. Por lo tanto, requiere correlación con otros datos como comorbilidades, síntomas y resultados de pruebas de laboratorio. 

La prueba de un diagnóstico a menudo se establece con confirmación patológica. No obstante, con frecuencia se actúa sobre un hallazgo de imagen sin prueba patológica en el caso de neumonía o enfermedad tromboembólica, por ejemplo. Para complicar aún más la evaluación, también existen variantes anatómicas que no tienen implicaciones patológicas para los pacientes, pero que pueden simular enfermedades en las imágenes.

La colaboración para mejores algoritmos y mejores perspectivas 

Al momento de diseñar modelos de inteligencia artificial para el cuidado de la salud, es esencial que los desarrolladores creen herramientas intuitivas que puedan integrarse fácilmente con los flujos de trabajo clínicos. Sin embargo, las soluciones a menudo se construyen sin la participación de los médicos, lo que da como resultado tecnologías complicadas que pueden causar más daño que bien.

Para facilitar el diseño de algoritmos de inteligencia artificial clínicamente amigables, los residentes de radiología del Brigham and Women’s Hospital desarrollaron una vía de ciencia de datos para presentar a los residentes de radiología de cuarto año las herramientas de análisis avanzadas.

Además de ampliar la disponibilidad de los planes de estudio organizados de inteligencia artificial y aprendizaje automático, el itinerario brinda a los estudiantes la oportunidad de contribuir en cada etapa del desarrollo de algoritmos.

En México y muchas partes del mundo existe la necesidad de una capacitación más formal a los radiólogos interesados en la inteligencia artificial. La colaboración entre radiólogos y científicos de datos es indispensable. Es decir, si se puede hablar mejor el idioma de la otra parte, se podría desarrollar modelos diseñados con una pregunta clínica específica en mente. Un objetivo clave de la ruta es garantizar que los desarrolladores tengan en cuenta la implementación clínica durante todo el proceso de diseño.

LEER TAMBIÉN: Consecuencias de un diagnóstico tardío

Fuentes de consulta