De las migrañas al cáncer: Inteligencia artificial para diagnosticar enfermedades

¿Se está aprovechando el potencial de las técnicas de inteligencia artificial en el ámbito de la salud? No lo suficiente. Quedan muchos aspectos por mejorar y otros por cubrir.

Las técnicas de inteligencia artificial, en particular las que se engloban dentro del aprendizaje automático (machine learning), como es el caso del aprendizaje profundo (deep learning), han llegado al nivel de madurez suficiente para su aplicación en el ámbito de la salud.

Sin embargo, es importante destacar que el despliegue de las soluciones en escenarios reales es el tramo más complicado de recorrer. Aunque no lo parezca, es también el que requiere mayor esfuerzo e inversión.

Cómo funcionan los modelos predictivos

Asumamos que el equipo médico de un hospital, especialista en cierta enfermedad, ya dispone de una aplicación software que incorpora un modelo predictivo para analizar y clasificar las muestras de cada paciente. Cualquier modelo predictivo está basado en una o en la combinación de varias técnicas de aprendizaje automático.

Un modelo predictivo puede proporcionar diferentes tipos de resultados. Lo más típico es un conjunto de valores numéricos que son probabilidades o porcentajes. Cada valor es una medida de confianza en que una muestra pertenezca a una de las categorías para las que el modelo predictivo fue entrenado.

Dependiendo de la patología, se utilizarán distintos tipos de modelos predictivos basados en diferentes combinaciones de técnicas de aprendizaje automático. Además, darán distintos tipos de resultado al analizar la muestra. Esta puede estar compuesta por una o varias imágenes médicas, consistir únicamente en datos clínicos numéricos (nivel de colesterol en sangre, pulsaciones por minuto, etc.) o ser la combinación de imágenes y datos clínicos.

En relación al uso de modelos predictivos en el sector salud, es el personal médico quien debe interpretar el resultado, ponerlo en contexto y utilizarlo como información adicional para diagnosticar.

Ejemplos: de las migrañas al cáncer

Si la muestra es una imagen 2D o 3D del cerebro, el modelo predictivo nos dirá la probabilidad de que el paciente esté en cada uno de los cinco niveles posibles de la enfermedad de Alzheimer (normal, deterioro cognitivo leve, medio, alto y alzhéimer). En este caso, el modelo predictivo habrá sido entrenado para distinguir entre cinco clases.

Tomando otro ejemplo, si la muestra es una imagen procedente de rastreo óseo, el modelo predictivo se habrá entrenado para detectar zonas donde hay mayor actividad metabólica. Dará como solución regiones de interés delimitadas mediante polígonos. Además, el modelo puede dar la probabilidad de que la zona resaltada corresponde a un cáncer o no. En este segundo caso, el algoritmo se habrá entrenado para distinguir entre dos clases: cáncer y no cáncer.

Consideremos las migrañas como tercer y último ejemplo. En este ámbito se trabaja con distintas señales en lugar de con imágenes; pueden ser constantes vitales registradas cada pocos segundos u otros parámetros. El modelo predictivo analiza la evolución de diferentes variables para dar como salida la probabilidad de que el paciente monitorizado sufra un episodio de migraña en las próximas horas.

Si la probabilidad supera cierto umbral, ajustado por los médicos gracias a estudios poblacionales, el paciente se tomará la medicación correspondiente para evitar o minimizar el episodio de migraña. En este tercer caso, el modelo predictivo se ha entrenado para distinguir entre dos clases (migraña y no migraña) según la evolución de las señales seleccionadas durante un periodo que puede corresponder a las últimas horas. Los pacientes podrán utilizar aplicaciones de móvil que les avisan cuando es altamente probable que sufran un nuevo episodio de migraña.

Cómo se entrenan los modelos

Cualquier modelo predictivo debe ser entrenado antes de ser utilizado para realizar predicciones. El entrenamiento se lleva a cabo mediante el algoritmo que corresponda a la técnica de aprendizaje automático utilizada. Por ejemplo, para entrenar redes neuronales se emplea el algoritmo de retropropagación.

Para entrenar los modelos predictivos es necesario disponer de muestras con su correspondiente etiqueta. En el caso de la enfermedad de Alzheimer, la etiqueta es un valor de los cinco posibles mencionados anteriormente. En los otros dos casos comentados la etiqueta es binaria (0 o 1), es decir, 0 para indicar normalidad y 1 para indicar cáncer o migraña.

Cuando el objetivo es detectar zonas en las que es posible que se manifieste la enfermedad, los modelos predictivos se entrenan con máscaras de bits que delimitan las zonas afectadas.

Aplicaciones actuales y posibilidades

Utilizados como herramienta de apoyo al diagnóstico, los modelos predictivos pueden ser de gran ayuda para el personal médico, principalmente porque agilizan la toma de decisiones. También podrían emplearse como detectores precoces de muchas enfermedades gracias a su capacidad para procesar de manera automática los datos disponibles de todos los pacientes. Pero esto es todavía una utopía hacia la que debemos dirigir nuestros esfuerzos como sociedad.

En los últimos años, la Comunidad Europea está invirtiendo muchos recursos en I+D+i para desarrollar soluciones basadas en inteligencia artificial aplicadas al sector salud. Dos buenos ejemplos son los proyectos DeepHealth y BigMedilytics. Gracias a ello, la tecnología está suficientemente madura para servir de apoyo al diagnóstico.

En proyectos como los arriba mencionados ya se están incluyendo modelos predictivos en aplicaciones informáticas que usan los médicos como apoyo al diagnóstico. Sin embargo, la adopción de estas soluciones en entornos reales todavía es una asignatura pendiente.

Este artículo ha sido publicado originalmente en The Conversation