La inteligencia artificial (IA) y la radiología
La inteligencia artificial (IA) ha demostrado su funcionalidad en la mayor parte de las áreas de la radiología moderna. El progreso notable en el desarrollo de redes neuronales convolucionales ha abierto la puerta para nuevos horizontes en los cuales la IA será protagonista en el análisis de imágenes médicas. En los últimos años, las herramientas de IA en radiología han demostrado su capacidad para reconocer patrones de alta complejidad en las imágenes, con un rendimiento que puede equiparar o, incluso, superar al del médico entrenado. Se han evidenciado escenarios clínicos en los cuales las tecnologías de IA pueden realizar una valoración radiológica más rápida y eficiente respecto de los métodos actuales. Este hecho plantea algunos interrogantes acerca del papel del radiólogo en el futuro de la radiología. Aún existen brechas y retos en el desarrollo ético de la IA en la atención médica, en la validación adecuada de algoritmos, en el desarrollo de mecanismos efectivos para compartir datos y en la solución de los obstáculos regulatorios. En esta revisión, se busca abordar las potenciales aplicaciones de la IA en la labor del radiólogo, no desde la mirada especulativa y distópica, sino desde el reconocimiento de las oportunidades que nos brindan los desarrollos tecnológicos para nutrir la práctica del médico, optimizar los procesos de enseñanza y generar mayor eficacia en la asistencia sanitaria del futuro. En este sentido, los radiólogos cada día son menos espectadores de los desarrollos y más participes y consumidores de estos.
Rol de las redes neuronales convolucionales en el aprendizaje de máquina
La inteligencia artificial incluye una gama muy amplia de funciones inteligentes realizadas por computadoras como la resolución de problemas, la planificación, la representación del conocimiento, el procesamiento del lenguaje y el aprendizaje automático . Sin embargo, es a través del aprendizaje profundo donde se logra el mayor impacto .
El aprendizaje profundo corresponde a un conjunto de algoritmos de redes neuronales artificiales que intentan modelar abstracciones de alto nivel en datos . De esta forma, estos algoritmos conforman diversas capas de aprendizaje con la capacidad de reconocer objetos particulares en imágenes según características definidas. Los modelos de aprendizaje profundo que suelen usarse en el reconocimiento de imágenes se basan en redes neuronales convolucionales (CNN) con entradas de datos de forma bidimensional o tridimensional . Una CNN se conforma de una serie de capas que mapean y extraen sucesivamente las entradas de imágenes mientras aprenden características de objetos en las imágenes a un nivel cada vez más alto . Las CNN están formadas por una pila de una entrada, una capa de salida y con múltiples capas ocultas que convolucionan las entradas de datos para obtener la información útil .
Las CNN se pueden aplicar para la detección de lesiones tales como los tumores en la tomografía axial computarizada o la resonancia magnética . Para lograr esto, se detectan varios miles de regiones en cada sección de tomografía o resonancia y se encuentran todos los lugares posibles donde se pueden ubicar objetos en la imagen (propuesta de región) . Para la identificación de las regiones y el aprendizaje de las características se implementan capas de CNN con múltiples capas ocultas que usan conjuntos de datos con los que previamente se han entrenado . Estas capas ocultas son seguidas por capas conectadas que proporcionan un razonamiento de alto nivel y producción de predicciones .
Las CNN están diseñadas para cuantificar características radiológicas específicas en distintos tipos de imagen, como la forma en 3 dimensiones de una consolidación o la textura de un tumor y la distribución de intensidades de píxeles. Finalmente, las CNN poseen un proceso de selección posterior para asegurar que solo se utilicen las características más relevantes de cada objeto . Las CNN pueden desarrollarse a través de la transferencia de aprendizaje, un enfoque que permite aplicar la información aprendida en un proceso anterior para tareas diferentes pero relacionadas . Algunos sistemas son entrenados en imágenes no médicas y posteriormente son usados para el análisis de imágenes médicas . La transferencia de aprendizaje crea una oportunidad para el rápido progreso del aprendizaje automático en diferentes dominios dentro de la radiología . La transferencia se facilita gracias a las numerosas herramientas de código abierto para modelar sistemas en aprendizaje profundo. Las bases de datos más extensas son de libre acceso . Adicionalmente, los desarrolladores de software y algunas organizaciones de tecnología han logrado incrementar el acceso a estas tecnologías, buscando democratizar su acceso .
Aplicaciones de la inteligencia artificial en la práctica clínica
El desarrollo de métodos de aprendizaje profundo se ha venido explorando en casi la totalidad de las ramas de la radiología para potenciar el rendimiento de la detección de hallazgos anormales en imágenes . Por ejemplo, en la radiografía de tórax se han desarrollado múltiples algoritmos de aprendizaje profundo para la interpretación automática . Los algoritmos actuales pueden detectar hasta 14 enfermedades frecuentes en la radiografía de tórax cuando se presentan como hallazgos aislados .
Uno de los campos en radiología con más investigación de IA es la radiología oncológica. A través de la introducción de la detección asistida por computadora (CAD) la IA empezó a tomar fuerza en la radiología .
La CAD se usa ahora de forma rutinaria en los programas de detección del cáncer de mama en los Estados Unidos, con evidencia consistente, equivalente o mejorada (10). Sin embargo, su impacto solo ha permitido un aumento marginal en las tasas de control de la enfermedad, lo que limita su introducción global en la práctica clínica rutinaria. La CAD también proporciona una segunda opinión respecto de la lectura inicial de las mamografías realizada por el radiólogo, siendo su principal objetivo a corto plazo el aumentar el desempeño basal del médico para facilitar la detección de lesiones sospechosas. . La mejora progresiva de estos sistemas ha llevado a algunos modelos de IA a tener un desempeño comparable con el de un radiólogo .
En el Digital Mammography Dialogue for Reverse Engineering Assessments and Methods, o DREAM Challenge, que se llevó a cabo entre noviembre de 2016 y mayo de 2017, muchos equipos compitieron en el desarrollo de modelos de aprendizaje automático para clasificar las mamografías de detección según la presencia de cáncer . Los equipos más exitosos utilizaron modelos de aprendizaje profundo, logrando una sensibilidad y especificidad del 87% y 82%, respectivamente . A pesar de estas dificultades técnicas, los resultados son prometedores .
Un estudio de 2016 enfrentó cuatro sistemas CAD en 50 tomografías computarizadas que contenían nódulos pulmonares que los radiólogos habían pasado por alto previamente . Los sistemas CAD detectaron del 56 al 70% de las lesiones pulmonares que originalmente no se habían detectado, incluido el 17% de los cánceres de menos de 3 mm y el 69 al 78% de los cánceres de entre 3 y 6 mm, tamaños que los observadores expertos suelen pasar por alto . Estos hallazgos sugieren que los sistemas CAD pueden lograr un desempeño similar al de los lectores humanos en el reconocimiento de lesiones difíciles, y que pueden resultar una herramienta invaluable en la detección de nódulos pulmonares pequeños en etapa temprana .
Nasrullah y colaboradores demostraron un sistema de aprendizaje profundo con capacidades de clasificación del grado de malignidad y de detección de nódulos pulmonares que alcanzó una sensibilidad del 94% y una especificidad del 91% . Sin embargo, los esfuerzos no se han enfocado solo en la detección de los nódulos pulmonares, sino también en la clasificación de estos . Ardila y colaboradores propusieron un sistema de aprendizaje profundo para predecir el riesgo de malignidad en el cribado de tomografía computarizada de bajas dosis utilizando un conjunto de datos de más de 20.000 pacientes . Este sistema fue capaz de lograr reducciones absolutas de falsos positivos y falsos negativos del 11% y el 5%, respectivamente . Adicionalmente, el rendimiento del modelo fue equivalente o levemente superior al de los hallazgos reportados por los 6 radiólogos cuando se analizaron solo las tomografías, mientras que los rendimientos fueron equivalentes al radiólogo cuando se incluían los antecedentes personales de los pacientes .
La automatización a través de la IA puede considerar una gran cantidad de características cuantitativas junto a los hallazgos imagenológicos e incorporarlos en modelos de clasificación o modelos pronósticos . Por ejemplo, es difícil para los seres humanos predecir con precisión el estado de malignidad de una lesión pulmonar debido a la similitud entre los nódulos benignos y malignos en las tomografías computarizadas . La IA puede identificar automáticamente estas características al combinar el aprendizaje profundo de objetos con biomarcadores de las imágenes. Por lo tanto, la combinación con biomarcadores serológicos podría usarse para predecir la probabilidad de malignidad, el diagnóstico diferencial, el pronóstico y la respuesta al tratamiento . En la detección de lesiones en mamografías, los primeros resultados muestran que la utilización de CNN en combinación con datos clínicos y demográficos poseen un desempeño diagnóstico de alta sensibilidad y muestran un rendimiento similar en comparación con lectores humanos altamente capacitados .
Disrupción de la radiología: El papel de la IA
Es imposible desconocer que el aumento creciente en la necesidad de imágenes diagnósticas y el desarrollo cada vez mayor de tecnologías de vanguardia han impuesto desafíos adicionales sobre los radiólogos . La variabilidad en la experiencia entre observadores, el agotamiento físico y mental tras horas de evaluación de imágenes, son problemas que pueden provocar análisis erróneos e incompletos por parte de los profesionales y que las nuevas tecnologías pueden tener un campo de acción .
En los último años, los volúmenes de imágenes han crecido a un ritmo desproporcionado . Un estudio en la Clínica Mayo de 2015 reveló que un radiólogo promedio que interpreta exámenes de tomografía debe evaluar una imagen cada 3-4 segundos en una jornada laboral de 8 horas para cumplir con las demandas de una institución de alto nivel . En este sentido, la urgente necesidad de optimizar los procesos y disminuir la tasa de errores ha llevado a la integración de la IA en los procesos de diagnóstico imagenológico . Redes de aprendizaje profundo integradas a los flujos de trabajo de los radiólogos podrían convertirse en herramientas invaluables para alcanzar los objetivos de evaluación y diagnóstico . Las herramientas de inteligencia artificial podrían reducir la variación en la práctica y automatizar la detección de anomalías en las imágenes . Adicionalmente, se ha demostrado que muchos sistemas de IA tienen la capacidad de reconocer patrones de alta complejidad en los datos de las imágenes con una evaluación cuantitativa que puede proporcionar a los radiólogos capacitados imágenes preseleccionadas con características preidentificadas .
En un futuro, no lejano, es probable que la integración de CAD basado en IA con los sistemas de comunicaciones y archivo de imágenes alimentado que compone el Big Data, tenga un alto impacto en el refuerzo del papel de la IA en radiología . La incorporación de estos cambios sostiene la promesa de ayudar a salvaguardar la calidad de la atención al paciente, y de mejorar el flujo de trabajo .
En los últimos años, varios sistemas de IA han alcanzado rendimientos diagnósticos equiparables al ser humano . Algunos investigadores consideran que los CNN pueden realizar una valoración radiológica más rápida, más barata, más eficiente y con una calidad equiparable a la de los seres humanos . Esto ha llevado a la especulación creciente acerca del eventual reemplazo de la profesión de radiología por sistemas informáticos . Existe el temor creciente, casi distópico, de que los seres humanos sean reemplazos por las máquinas.
Si bien, la postura general suele ser más moderada y menos apocalíptica, el consenso actual considera que la IA no reemplazará a los radiólogos, solo los hará más eficientes . Se considera que los algoritmos de IA serán el respaldo de los radiólogos mejorando la precisión del diagnóstico . Se espera que la IA complemente, sin reemplazar, al radiólogo, quien formulará un juicio independiente antes de considerar el resultado del algoritmo de IA . No obstante, en situaciones extremas, en las que exista alta carga laboral puede existir el riesgo de que los radiólogos acepten la lectura de la IA y no formulen un juicio independiente .
El doctor Maciej A. Mazurowsk, ingeniero y experto en sistemas informáticos del departamento de radiología de la Universidad Duke, publicó en 2019 una interesante revisión narrativa que contiene las principales especulaciones referentes al futuro de la IA en la radiología y su potencial disrupción en el papel de la radiología . Examinando argumentos que los radiólogos sostienen para defender la presunta imposibilidad de que sistemas de IA reemplacen la labor humana, Mazurowsk presenta una interesante perspectiva de la situación actual de los CNN en el panorama de la radiología .
El primer argumento presentado por Mazurowsk es que los sistemas de aprendizaje profundo nunca podrán interpretar imágenes tan bien como los humanos. Este argumento se deriva de la milenaria y riesgosa postura que considera a la inteligencia humana como una institución superior e imbatible. Como se mencionaba previamente, se han desarrollado robustos algoritmos de radiómica con rendimientos diagnósticos equiparables al ser humano . La potencia informática del Big data ha permitido enriquecer la suficiencia de los algoritmos a una velocidad pasmosa . A continuación, se presentarán casos distintos y complementarios a los del doctor Mazurowsk que demuestran que los sistemas informáticos pueden ser equiparables a la experticia médica, inclusive en contextos de emergencia que han obligado a su desarrollo en cortos periodos de tiempo. Durante la pandemia de COVID-19, Chen y colaboradores construyeron un sistema basado en el aprendizaje profundo para detectar la neumonía COVID-19 en TC de alta resolución. Para el desarrollo y la validación del modelo, se recopilaron retrospectivamente 46.096 imágenes anónimas de 106 pacientes ingresados, incluidos 51 pacientes con neumonía COVID-19 confirmada por laboratorio y 55 pacientes de control de otras enfermedades en el Hospital Renmin de la Universidad de Wuhan . El modelo logró una precisión por paciente del 95,24% y una precisión por imagen del 98,85% en un conjunto de datos retrospectivo interno . Para 27 posibles pacientes internos, el sistema logró un rendimiento comparable al de un radiólogo experto . Con la ayuda del modelo, el tiempo de lectura de los radiólogos se redujo considerablemente en un 65% . El modelo de aprendizaje profundo mostró un rendimiento comparable con el de un radiólogo experto y mejoró enormemente la eficiencia de los radiólogos en la práctica .
El segundo argumento que trae a colación Mazurowski es: Los radiólogos hacen mucho más que simplemente leer imágenes . Otras actividades realizadas por los radiólogos incluyen procedimientos de radiología intervencionista y labores como la valoración de pacientes en consulta externa . La visión más pesimista nos plantea un futuro en que la IA realice todas las tareas de un radiólogo menos los procedimientos y la valoración en consulta . Es evidente que la IA no desaparecerá la labor del radiólogo, pero tiene el potencial de disminuir el requerimiento de muchas de sus funciones actuales . En este sentido, es posible anudar el tercer argumento que nos presenta el autor: los radiólogos podrán dedicar más tiempo para ver pacientes, discutir casos con médicos de atención primaria y oncólogos o analizar casos particularmente difíciles . ¿Por qué los radiólogos no lo hacen ahora? ¿Por qué en la actualidad no se contratan más radiólogos que hagan estas tareas? ¿Existe una real demanda de estas funciones? En el sistema de salud colombiano, con un déficit palpable de especialistas y con unas agremiaciones médicas y académicas que parecen restringir el acceso a las residencias médicas, no existe la demanda para el cumplimiento de dichas tareas . Para Mazurowski, en el sistema de salud estadounidense la realidad no es distinta .
Gabriela Puentes ¹, Emmanuel Salinas Miranda ², Gustavo Adolfo Triana ³