Imagen para el diagnóstico: La era de la inteligencia artificial.

En la próxima década, surgirán aplicaciones nuevas y útiles en imagen para el diagnóstico.

Los radiólogos las usarán para su trabajo, podrán descargarse algoritmos desde la Playstore o Appstore y aplicarlos con la ayuda de un software en imágenes de pacientes reales.

Se convertirán en una herramienta muy potente que facilitará el diagnóstico de enfermedades en sus fases más tempranas.

¿Cuáles son los fundamentos físicos y los equipos usados en imagen para el diagnóstico? ¿Por qué se está desarrollando tanto el uso de la Inteligencia Artificial (IA) en este campo?

Sigue con la lectura este post para entender mejor este cambio que se está produciendo en imagen para el diagnóstico.

¿Cuáles son los fundamentos físicos y los equipos imagen para el diagnóstico?

Los mecanismos físicos varían en función de la técnica empleada.

Podemos diferenciar a pequeños rasgos los siguientes mecanismos físicos:

• Interacción de los rayos x con las estructuras corporales.
• Uso de los ultrasonidos y su propagación en el organismo.
• Generación de un campo magnético alrededor de los núcleos.
• Administración de un marcador (o radionúclido) que emite pequeñas dosis de radiación.

Los equipos de imagen para el diagnóstico son muy costosos pero extremadamente útiles, algunos de estos equipos son:

Equipo de Tomografía Axial Computarizada (TAC)

Es un equipo de gran tamaño, similar a una caja con un túnel en el centro. El paciente se tumba en una  mesa de examen que se desplaza hacia dentro y fuera de ese túnel. El tubo de rayos X y los detectores,  se sitúan  en forma opuesta sobre un aro que gira alrededor del paciente. Se obtienen imágenes del paciente en planos.

El ecógrafo

Es un equipo que dispone de un transductor o sonda que es la parte que el sanitario desplaza por la región que se quiere explorar, necesita ser usado sobre un gel acuoso que permite la transmisión de ultrasonidos.

Equipo de radiografía convencional

Es el que se usa para hacer radiografías y consta de las siguientes partes:

• Tubo de rayos X.
• Armario eléctrico.
• Suspensión techo.
• Mesa de exploración.
• Bucky mural y Bucky mesa.
• Receptor de imagen.
• Colimadores.
• Consola de control.

Equipo de RMN

Contiene un imán muy potente que envía las ondas electromagnéticas que hacen vibrar los núcleos de los átomos de hidrógeno de los tejidos. Cuando vuelven estos núcleos de hidrógeno a su estado de reposo , generan una señal en un receptor y dichas señales se utilizarán para crear las imágenes en un monitor.

¿Cómo se están diseñando aplicaciones de inteligencia artificial en imagen para el diagnóstico?

Podemos comenzar contemplando el rápido desarrollo que se está produciendo en el ámbito de la  tecnología, con el surgimiento de aplicaciones de IA.

Para la mayoría, las aplicaciones de Inteligencia Artificial en imagen para el diagnóstico suena como algo nuevo. Sin embargo, en técnicas como la radiología, se ha estado aplicando el diagnóstico asistido por ordenador (DAO)desde hace bastantes años.

El desarrollo de aplicaciones de inteligencia artificial para DAO ha sido muy lento. Requirió de amplios conocimientos para poder agrupar las imágenes por patología, extraer las características y hacer un análisis estadístico.

El proceso de creación de las aplicaciones ha evolucionado

Para empezar, un desarrollador de aplicaciones DAO requiere de acceso a las imágenes de una gran variedad de patologías, como por ejemplo el cáncer de colon.

Actualmente se dispone de esta información en las historias clínicas, pero estas están muy blindadas.

Luego, el desarrollador de aplicaciones debe utilizar técnicas avanzadas de identificación de imágenes definiendo los límites del colon, sus rasgos anatómicos normales, de tal forma que usemos estas imágenes como referencia para un posterior análisis comparativo con otras imágenes de estudio.

Hoy en día, los algoritmos ya facilitan mucho la tarea de desarrollo de estas aplicaciones.

Se está produciendo un gran desarrollo con la aplicación de algoritmos. Considerando el cáncer de pulmón como ejemplo, el desarrollador accede a bases de datos donde se encuentran registradas una inmensa cantidad de imágenes de casos y no casos de cáncer de pulmón. Se pueden usar las historias clínicas para ello.

Después, el desarrollador ejecuta el software de código abierto para deep learning disponible en Google y en otros sitios, creándose un algoritmo que permite discriminar entre casos y no casos de cáncer de pulmón.

El algoritmo se crea en base a los datos, lo que minimiza el arduo desarrollo descrito anteriormente. Es importante considerar que los datos han de ser de calidad y muchos, cuantos más, mejor.

¿Cuántos datos son necesarios?

Sin lugar a dudas, la duración  y la dificultad  del desarrollo han disminuido.

El problema ahora, es saber cuántos datos e imágenes, son necesarios para alimentar el algoritmo.

Los desarrolladores de aplicaciones que no son conocedores de la profesión médica, creen que solo 30 casos pueden bastar, pero la realidad es bien diferente.

Para que se pudiese validar este método de diagnóstico podríamos necesitar miles de imágenes para una sola patología.

Otra pregunta que todavía queda en el aire. Por ejemplo, ¿quiénes usarán y confiarán en estos algoritmos en su práctica médica?

Muchos estudios publicados, sugieren que la inteligencia artificial  bien usada y diseñada supera a radiólogos cuando se trata de acertar en un diagnóstico médico difícil.

Para finalizar, ¿quién es el responsable médico-legal de un diagnóstico equivocado cuando las computadoras son las que nos dan el diagnóstico?

Esto es lo que realmente preocupa a los médicos.

¿Los radiólogos perderán su trabajo?

Seamos realistas, los radiólogos no perderán su trabajo.

El hecho de que existan herramientas que nos ayuden en nuestro trabajo, no significa que estas sean  las que tomen las decisiones por nosotros.

Ya disponemos de algunas aplicaciones útiles que están sustituyendo algunas de las funciones tediosas que hacían los radiólogos, como detectar nódulos pulmonares o fractura costal  en la TC torácica.

Bajo mi perspectiva, este avance abre una magnífica posibilidad  de facilitar y agilizar el diagnóstico de enfermedades.

Es útil incluso cuando la enfermedad se encuentra en fase temprana, que es cuando muchos radiólogos fallan en su diagnóstico. Y tú, ¿qué opinas?