Diseñan modelos de inteligencia artificial que mejorarían diagnósticos médicos

Durante casi 5 años, el ingeniero Santiago Toledo Cortés –doctor en Ingeniería - Sistemas y Computación de la UNAL– y el profesor Fabio González, experto en investigación sobre aprendizaje computacional (machine learning), trabajaron en un proyecto para desarrollar el potencial de la IA en Medicina.

“Nuestro objetivo era desarrollar un sistema que no solo clasificara las imágenes en categorías como ‘sano’ o ‘enfermo’, sino que además proporcionara información más detallada sobre la probabilidad y el grado de avance de la enfermedad. También buscábamos que el modelo fuera capaz de explicar sus decisiones, lo cual es crucial en aplicaciones médicas”, explica el doctor Toledo.

La investigación se centró en varias enfermedades, entre ellas la retinopatía diabética, una complicación grave de la diabetes que afecta la retina, y que, junto con el glaucoma, es una de las principales causas de ceguera. Para prevenir la pérdida de visión es necesario detectarla a tiempo, pero el diagnóstico puede tardar, especialmente en las primeras etapas de la enfermedad, debido a la escasez de equipos de personal especializados.

Los modelos desarrollados por los investigadores de la UNAL serían una solución para el diagnóstico temprano de la retinopatía diabética, ya que analizan imágenes de fondo de ojo (técnica oftalmológica de diagnóstico) y así clasifican la gravedad de la enfermedad en una escala de 5 etapas, desde la ausencia de la afectación hasta la retinopatía avanzada.

Según explica el ingeniero Toledo, “esta capacidad de los modelos les ayudaría a los oftalmólogos a monitorear la progresión de la enfermedad y ajustar los tratamientos de manera más precisa”.

Para validar el modelo, los investigadores lo probaron con otra compleja enfermedad, el cáncer de próstata, la segunda causa de muerte por cáncer en hombres de todo el mundo.

En este caso el diagnóstico también enfrenta dificultades, pues a menudo se requiere del análisis de imágenes histopatológicas, un proceso que puede ser complejo y subjetivo, dado que los patólogos pueden interpretar las mismas imágenes de manera distinta.

Para obtenerlas se requiere extraer una pequeña muestra del tejido de la próstata para luego tomar la imagen a través del microscopio. En estos casos lo que hacen los modelos de IA es analizar estas imágenes microscópicas complejas y proporcionar una evaluación de la presencia de células cancerosas, o alertar del posible grado de afectación.

¿Cómo funcionan los modelos?

Los modelos desarrollados implementan un enfoque multimodal que les otorga la capacidad de analizar simultáneamente diferentes tipos de datos, como imágenes de fondo de ojo, imágenes histopatológicas y registros clínicos de los pacientes. Integrar diversas fuentes de información les permite a los modelos generar diagnósticos probabilísticos más precisos.

Además, el ingeniero explica que estos implementan un “enfoque de regresión ordinal” que, en vez de simplemente clasificar las imágenes en categorías, puede determinar el grado de avance de la enfermedad en una escala, lo cual resulta especialmente útil en enfermedades como la retinopatía diabética, conocida por su progresión gradual.

Para mayor precisión, los investigadores aplicaron principios de mecánica cuántica en los modelos, “ya que esta nos proporciona un marco matemático para manejar la incertidumbre de estos diagnósticos. Es muy interesante porque ya no tenemos solo modelos capaces de decir si una persona está enferma o no, sino que además nos dan un espectro de posibilidades”, indica el egresado de la UNAL.

A diferencia de muchos modelos de aprendizaje profundo, los desarrollados por los investigadores Toledo y González pueden explicar sus decisiones e identificar casos similares en su base de datos de entrenamiento, para luego proporcionar mayores niveles de confianza en sus predicciones.

Para la retinopatía diabética, el equipo trabajó con un conjunto de datos de unas 80.000 imágenes de la base de datos pública. En el caso del cáncer de próstata, aunque el conjunto de datos era más limitado (alrededor de 141 imágenes histopatológicas), los modelos analizaron eficientemente estas imágenes de alta resolución dividiéndolas en partes pequeñas y luego integraron los resultados para proporcionar un diagnóstico general.

“Aunque el estudio se centró en estas dos enfermedades, el enfoque se podría adaptar a una amplia gama de aplicaciones médicas en las que la interpretación de imágenes y datos clínicos es crucial”, concluye el coautor de este desarrollo.