En la actualidad, para todos nosotros es muy familiar la inteligencia artificial y dentro de la misma las diferentes técnicas de machine learning (aprendizaje automático). Una de las técnicas de machine learning que más desarrollo ha tenido en los últimos tiempos ha sido el Deep learning (aprendizaje profundo)
El Deep learning ha encontrado un mercado que le ha permitido mucho desarrollo, el de los coches autónomos, que puede cambiar la forma en la que nos movemos y por tanto la industria del transporte.
El Deep Learning es una técnica de análisis muy buena en el análisis de imágenes. Un informe de Signify Research indica que el uso de Deep learning en el análisis de imágenes médicas va a crear un mercado de 300 millones en 2021, más que la industria de análisis de imágenes en el 2016.
¿Por qué las organizaciones sanitarias quieren impulsar el uso del Deep learning?
En muchos países no hay suficientes radiólogos para revisar, informar y tomar decisiones sobre las imágenes que reciben en el día a día, en otros los hay pero existen límites presupuestarios que lo hacen inviable. Según un análisis realizado en la Clínica Mayo, el diagnóstico por imágenes tuvo un crecimiento explosivo a mediados de la década pasada. Por ejemplo, entre 1999 y 2010, el número de imágenes de una tomografía digital pasó de 82 a 679 por examen, las resonancias magnéticas pasaron de 164 a 570 imágenes. Para los radiólogos, este aumento de la carga de trabajo puede traducirse en posibles errores médicos, como se dice en el informe “a medida que la carga de trabajo continua aumentando, existe la preocupación de que la calidad disminuirá en forma de mayores errores de detección como resultado del aumento de la fatiga y el estrés”, algo que ocurre en cualquier profesión en esas condiciones.
Si los radiólogos y otras especialidades asistenciales deben mirar gran cantidad de imágenes a lo largo del día para realizar sus diagnósticos ¿existe algún tipo de ayuda que no sólo aumente su ritmo de trabajo sino también que trate de minimizar los errores? El Deep learning podría ser una ayuda para los profesionales, ayudándoles a tomar decisiones mejores y de forma más rápida.
A nivel de análisis de imágenes podemos diferenciar 4 posibles aplicaciones:
Detección asistida por ordenador
Será la aplicación más común en el futuro más próximo por su relativa facilidad de implementación. Estos sistemas pueden ayudar a alertar a los radiólogos sobre las lesiones sospechosas que requieren una revisión más profunda. Esto implica que el análisis será más rápido y reduce el riesgo de que un radiólogo estresado pase por alto un detalle importante. La tecnología detrás de estos sistemas ya está bastante madura y habrá grandes inversiones en los próximos años.
Imagen cuantitativa
Herramientas de imagen cuantitativa ayudan a los especialistas a segmentar, visualizar y cuantificar lo que están viendo. Esto puede agilizar los procesos y reducir los posibles errores. En ningún caso sustituirán a los profesionales, ellos deben informar la determinación final, pero simplifica el proceso de toma de decisiones.
Herramientas de apoyo a la toma de decisiones
Combinan las dos áreas anteriores para ayudar a crear herramientas automatizadas de flujo de trabajo para los profesionales. Pueden suministrar pautas y objetivos específicos de análisis detallado después de un análisis previo efectuado de forma automática por estos sistemas.
Diagnóstico asistido por ordenador
Las herramientas de diagnóstico asistido por ordenador combinan todas las herramientas antes mencionadas para ofrecer diagnósticos respaldados por probabilidades. Los sistemas no harán el diagnostico final, pero si a un radiólogo un algoritmo de Deep learning le informa que un cierto diagnóstico tiene un 90 por ciento de probabilidad de ser correcto, el radiólogo puede centrarse en confirmar ese diagnóstico en lugar de perder tiempo en revisar otros casos en los que la probabilidad de existir un diagnóstico es muy baja.
Aunque la tecnología está bastante madura, su aplicación en las organizaciones no es tan sencilla. Los sistemas de detección asistidos por ordenador que usan Deep learning han sido probados en hospitales y en algunas ocasiones no han funcionado muy bien, lo que ha implicado cierto escepticismo entre los radiólogos. Tampoco podemos olvidar las implicaciones legales. ¿Quién es el “culpable” cuando las cosas van mal? Se van a necesitar medidas legislativas al respecto y ya sabemos lo que esto implica.
Un paso muy importante en la adopción de estas nuevas aplicaciones del Deep learning en los entornos asistenciales ha sido la aprobación por primera vez por parte de la FDA (US Food and Drug Administration) de la plataforma de imágenes médicas Arterys para ser utilizada para ayudar a los médicos a diagnosticar problemas cardíacos.
La plataforma utiliza una red neuronal artificial autodidacta que ha aprendido a partir de 1000 casos hasta el momento y continuará mejorando con cada nuevo caso que analiza. En la FDA, el sistema ha pasado pruebas que demuestran que los diagnósticos son al menos tan buenos como los de los profesionales. La diferencia clave es que Arterys tarda de media unos 15 segundos por diagnóstico, mientras que a un profesional le llevaría entre media hora y una hora de trabajo. La finalidad ahora del sistema es ayudar a los médicos a entender cómo funciona en corazón proporcionando mediciones precisas del volumen de cada ventrículo permitiendo una evaluación más precisa. El sistema, como ya hemos comentado, ha sido construido usando Deep learning a partir de 1000 casos, con los que el sistema generó alrededor de 10 millones de reglas basadas en conexiones encontradas en los datos proporcionados. El objetivo del sistema es identificar problemas sin intervención manual pero como dicen sus creadores, su objetivo no es reemplazar a los médicos sino ofrecerles herramientas que les ayuden a hacer su trabajo más eficazmente. Los creadores han comenzado con el corazón porque es uno de los órganos más difíciles de hacer, pero ahora que saben hacerlo con el corazón, quieren usarlo en muchas otras áreas.
Otra ventaja de este sistema es que está ubicado en la nube. Esto permitirá al sistema utilizar información de todo el mundo con la que seguirá aprendiendo. Las soluciones en la nube en el sector sanitario no tienen mucha aceptación por lo general, pero el sistema garantiza la seguridad de la información utilizando el sistema “PHI Service”. Este sistema elimina la identificación personal de la información de la imagen cuando ésta va al sistema y cuando los profesionales recogen la información analítica de Arterys, en los centros se reconstituye la identificación para poder asociarla a los pacientes concretos. Arterys nunca recibe información de carácter personal.
Personalmente opino que como cualquier nueva tecnología, la entrada no es sencilla, pero con la mejora de los propios algoritmos, al final se acabará implantando para ayudar a los profesionales en su trabajo aumentando su eficiencia y mejorando la atención a los pacientes.
Me surgen muchas preguntas para establecer debate, ¿Estarán las organizaciones sanitarias y los profesionales preparados para adoptar estas nuevas tecnologías? ¿Cómo veis la adopción de soluciones basadas en la nube en las organizaciones sanitarias?
..Javier Abad. Hablando de la eSalud
