Ver traducción automática
Esta es una traducción automática. Para ver el texto original en inglés haga clic aquí
#Novedades de la industria
{{{sourceTextContent.title}}}
¿Podría ser la inteligencia artificial el futuro del diagnóstico de cáncer?
{{{sourceTextContent.subTitle}}}
En un estudio reciente, los investigadores entrenaron un algoritmo para diferenciar entre lesiones malignas y benignas en las exploraciones de tejido mamario.
{{{sourceTextContent.description}}}
Con el cáncer, la clave para un tratamiento exitoso es detectarlo a tiempo.
Tal como está, los médicos tienen acceso a imágenes de alta calidad, y los radiólogos expertos pueden detectar los signos reveladores de crecimiento anormal.
Una vez identificado, el siguiente paso es que los médicos determinen si el tumor es benigno o maligno.
El método más confiable es tomar una biopsia, que es un procedimiento invasivo.
Incluso entonces, pueden ocurrir errores. Algunas personas reciben un diagnóstico de cáncer donde no hay enfermedad, mientras que otras no reciben un diagnóstico cuando el cáncer está presente.
Ambos resultados causan angustia, y la última situación puede causar retrasos en el tratamiento.
Los investigadores están interesados en mejorar el proceso de diagnóstico para evitar estos problemas. Detectar si una lesión es maligna o benigna de forma más fiable y sin necesidad de una biopsia sería un gran cambio.
Algunos científicos están investigando el potencial de la inteligencia artificial (IA). En un estudio reciente, los científicos entrenaron un algoritmo con resultados alentadores.
IA y elastografía
La elastografía por ultrasonido es una técnica de diagnóstico relativamente nueva que prueba la rigidez del tejido mamario. Esto se consigue vibrando el tejido, lo que crea una onda. Esta onda causa distorsión en la ecografía, resaltando áreas del seno donde las propiedades difieren del tejido circundante.
A partir de esta información, es posible que un médico determine si una lesión es cancerosa o benigna.
Aunque este método tiene un gran potencial, el análisis de los resultados de la elastografía requiere mucho tiempo, implica varios pasos y requiere la resolución de problemas complejos.
Recientemente, un grupo de investigadores de la Escuela de Ingeniería Viterbi de la Universidad del Sur de California en Los Ángeles preguntó si un algoritmo podría reducir los pasos necesarios para obtener información de estas imágenes. Publicaron sus resultados en la revista Computer Methods in Applied Mechanics and Engineering.
Los investigadores querían ver si podían entrenar un algoritmo para diferenciar entre lesiones malignas y benignas en las exploraciones de mama. Curiosamente, intentaron conseguirlo entrenando el algoritmo utilizando datos sintéticos en lugar de exploraciones genuinas.
Datos sintéticos
Cuando se le preguntó por qué el equipo utilizó datos sintéticos, el autor principal, el profesor Assad Oberai, dice que se trata de la disponibilidad de datos del mundo real. Explica que "en el caso de la imagen médica, tienes suerte si tienes 1.000 imágenes. En situaciones como ésta, donde los datos son escasos, este tipo de técnicas se vuelven importantes"
Los investigadores entrenaron su algoritmo de aprendizaje automático, al que se refieren como una red neural convolucional profunda, usando más de 12,000 imágenes sintéticas.
Al final del proceso, el algoritmo era 100% preciso en las imágenes sintéticas; después, pasaron a los escaneos de la vida real. Tuvieron acceso a sólo 10 exploraciones: la mitad de las cuales mostraron lesiones malignas y la otra mitad lesiones benignas.
"Teníamos un índice de precisión del 80%. Luego, continuamos refinando el algoritmo usando más imágenes del mundo real como entradas"
Prof. Assad Oberai
Aunque el 80% es bueno, no es lo suficientemente bueno - sin embargo, esto es sólo el comienzo del proceso. Los autores creen que si hubieran entrenado el algoritmo en datos reales, podría haber mostrado una mayor precisión. Los investigadores también reconocen que su prueba fue demasiado pequeña para predecir las capacidades futuras del sistema.
El crecimiento de la IA
En los últimos años, ha habido un creciente interés en el uso del sexo anal en el diagnóstico. Como escribe un autor:
"La IA está siendo aplicada exitosamente para el análisis de imágenes en radiología, patología y dermatología, con velocidad diagnóstica que excede, y precisión paralela, a la de los expertos médicos"
Sin embargo, el profesor Oberai no cree que la IA pueda reemplazar a un operador humano capacitado. Explica que "[e]l consenso general es que estos tipos de algoritmos tienen un papel importante que desempeñar, incluso por parte de los profesionales de la imagen, a quienes impactarán más". Sin embargo, estos algoritmos serán más útiles cuando no sirvan como cajas negras. ¿Qué es lo que vio que lo llevó a la conclusión final? El algoritmo debe ser explicable para que funcione según lo previsto"
Los investigadores esperan que puedan expandir su nuevo método para diagnosticar otros tipos de cáncer. Dondequiera que un tumor crece, cambia el comportamiento físico de un tejido. Debería ser posible trazar estas diferencias y entrenar un algoritmo para detectarlas.
Sin embargo, debido a que cada tipo de cáncer interactúa con su entorno de manera tan diferente, un algoritmo tendrá que superar una serie de problemas para cada tipo. El Prof. Oberai ya está trabajando en tomografías computarizadas de cáncer renal para encontrar formas en que el sexo anal pueda ayudar a diagnosticar allí.
Aunque estos son los primeros días para el uso de la IA en el diagnóstico del cáncer, hay grandes esperanzas para el futuro.