La potencia de cálculo de las máquinas hace de estas compañeras muy versátiles en innumerables sectores profesionales. Uno de ellos es la medicina, donde las inteligencias artificiales y las redes neuronales son capaces de ayudar a los médicos con el diagnóstico.
¿Te imaginas un futuro en que un médico recurre a una herramienta llamada red neuronal para que le ayude con el diagnóstico y acertar en un 99% de los casos? Esto ya existe, y en este artículo hablaremos de cómo las IA nos ayudan con la medicina.
¿Cómo funciona un médico?
Si queremos saber cómo nos ayuda la IA necesitamos entender primero cómo funciona la medicina moderna.
Los médicos, grosso modo, realizan dos tareas básicas durante su trabajo: diagnosis y tratamiento. Es decir, por un lado identifican el problema (enfermedad, patología, lesión…) y por otro aplican una solución conocida.
En base a su experiencia y a los conocimientos teóricos previos son capaces de analizar a un paciente y catalogar su dolencia o enfermedad con cierto grado de éxito. Este grado es importante, ya que el tratamiento estará orientado al diagnóstico.
Si un dermatólogo confunde, por ejemplo, dermatitis con psoriasis, dos enfermedades de piel con muchos puntos en común, es improbable que el tratamiento de la dermatitis ayude al paciente. Para que estas confusiones tiendan a cero, usamos redes neuronales.
Así entrenamos redes neuronales para que nos ayuden a diagnosticar cáncer de piel
Uno de los casos más recientes y sonados es el que ha puesto sobre la mesa la Universidad de Stanford de la mano del profesor adjunto de inteligencia artificial Sebastian Thrun. Con ayuda de sus estudiantes, diseñaron una red neuronal para clasificar diferentes lesiones y detectar cáncer de piel. El funcionamiento del sistema es relativamente sencillo:
1. El equipo partía de más de 130.000 imágenes, así como de los historiales médicos (anonimizados) de miles de pacientes.
2. Se programa una red neuronal a la que se le enseña una fotografía de una lesión de piel y, con ayuda del historial, se enlaza qué nivel de lesión de cáncer corresponde a la imagen:
3. A medida que el equipo iba cargando más y más fotografías, la red neuronal iba aprendiendo, y estableciendo relaciones entre diferentes fotografías y el grado de la lesión, catalogándolas y generando ciertos paralelismos:
4. Llegado a una masa crítica, el sistema puede seguir aprendiendo, pero también puede formular hipótesis. Por ejemplo, podemos enseñarle la fotografía de una lesión y que nos diga en qué grado de lesión lo catalogaría.
5. Si acierta, informamos a la red neuronal de que ha acertado, reforzando sus cálculos.
6. Si falla, le decimos que no ha acertado, obligándola a modificar ligeramente su programa.
7. Tras un entrenamiento completo con 130.000 imágenes de 2.000 enfermedades diferentes, la red neuronal se puede probar. En este caso, la red neuronal compitió contra 21 dermatólogos, mejorando sus diagnósticos en todos los casos.
No se pretende sustituir a los médicos, sino de complementarlos
El método de arriba, basado en imágenes, es el mismo que siguen los médicos a la hora de diagnosticar. Sirviéndose de su experiencia previa, observan una lesión y emiten un diagnóstico. Sin embargo, la mente humana tiene ciertas limitaciones.
Una de ellas es la falta de datos. Por muchas lesiones de piel, o fotografías de tumores como las que mencionamos más abajo, un médico verá a lo largo de su vida una muestra muy pequeña de pacientes. Una red neuronal puede ver miles de millones en unos pocos segundo y puede hacer comparaciones.
Otra es la larga formación y la pérdida de experiencia. Cuando un médico se jubila, casi la totalidad de su experiencia se esfuma, no se transfiere al siguiente médico, que necesitará un largo periodo de formación. Eso no ocurre con las máquinas, cuyo conocimiento es siempre aditivo.
No obstante, no podemos tan solo hacer uso de las máquinas y esperar que de una fotografía obtengamos un tratamiento idóneo. Este tipo de diagnósticos no se conciben sin la supervisión constante de un profesional. Al menos, no todavía.
Se trata de herramientas de alta tecnología que ayudan a los profesionales dándoles precisión, pero que no pueden prescindir de estos, en cuyas manos estará el juicio final.
Tom Gruber, científico mundialmente reconocido, confirmó que «cada vez que las máquinas se hacen más inteligentes, nosotros nos volvemos más inteligentes».
Cuando programamos a una red neuronal con todo nuestro conocimiento sobre cáncer de piel o metástasis, podemos ahorrar un tiempo precioso en la diagnosis que podemos utilizar en otro paciente.
Así detecta tumores la inteligencia artificial de Google
Todos los cánceres metastásicos empiezan del mismo modo: con un diminuto conjunto de células cancerígenas que no dejan de reproducirse. El problema es que son demasiado pequeñas para verlas a simple vista, y para cuando este conjunto ha crecido y es visible, puede ser tarde para el paciente. O los tratamientos pueden no resultar efectivos.
Es por ello que se recurre a fotografías enormes, de 100.000×100.000 píxeles, para detectar metástasis. Revisar estas imágenes en busca de células cancerígenas a ojo es una tarea con una tasa de error muy elevada. Como referencia para comprender el tamaño de estas imágenes, la de abajo mide 1.254×836 píxeles:
Para leer con un mayor acierto estas imágenes, Google ha diseñado una IA capaz de aprender de ellas y diagnosticar tumores con una sensibilidad mayor que la humana, y mucho más rápido. Si los médicos lograban identificar el 73,2% de las muestras con cáncer metastásico, la IA lo hacía en el 82,7% de los casos.
Gracias a este tipo de iniciativas, el coste por diagnóstico se desploma, ya que gran parte del tiempo empleado en el mismo pasa a ocuparse una máquina. De ese modo el médico es el encargado de confirmar la diagnosis y puede tratar a más pacientes, que es para lo que se ha formado.
En Lenovo | Los alucinantes avances en medicina nanotecnológica que liberarán drogas en tu cuerpo para cuidarlo
Imágenes | iStock/sudok1, Esteva et al., iStock/sudok1