¿Por qué la inteligencia artificial y el deep learning deben ir de la mano en la atención médica?

La promesa de la IA: un par adicional de ojos sobrehumanos

Para desentrañar la naturaleza complementaria de la inteligencia artificial y la experiencia humana en la atención médica, comencemos con una breve introducción a la inteligencia artificial y su modelo más moderno: el deep learning.

Lo que a veces se pasa por alto en el discurso popular es que la IA, como se define aquí, ya ha estado con nosotros durante décadas. Irónicamente, los primeros sistemas de IA se basaban en gran medida en el conocimiento de los expertos, que era codificado en el software de un ordenador. Sin embargo, en los últimos años, un enfoque de la IA basado en datos ha tenido prioridad, gracias a la explosión de datos digitales que ha impulsado el desarrollo del deep learning, que también es el tema central de este artículo. Los algoritmos de deep learning aprenden de grandes cantidades de datos anotados, a menudo con una precisión superior, pero sin estar preprogramados explícitamente [1].

La principal fortaleza del deep learning es que puede detectar, cuantificar y clasificar incluso los patrones más sutiles en los datos, lo que ofrece un conjunto adicional de ojos "sobrehumanos". Esto hace que los algoritmos de deep learning sean ideales para respaldar disciplinas médicas centradas en patrones como la radiología y la patología, que enfrentan cargas de trabajo cada vez mayores junto con una escasez severa y creciente de profesionales en muchas partes del mundo [2].

Los ejemplos son tan variados como prometedores. Los algoritmos de deep learning pueden aliviar a los profesionales de tareas repetitivas y laboriosas como segmentar las lesiones pulmonares en las tomografías computarizadas [3], rastrear cómo se desarrollan los tumores cerebrales a lo largo del tiempo en las resonancias magnéticas para ayudar a monitorear la progresión de la enfermedad [4], o clasificar la gravedad del cáncer de próstata según las muestras de tejido [5].

Dos pares de ojos ven más de uno: la necesidad de supervisión humana

Sabemos que incluso los médicos más experimentados pueden pasar por alto algunas cosas. Todavía se producen diagnósticos perdidos o erróneos. De hecho, un estudio realizado por la National Academy of Sciences en 2015 mostró que la mayoría de las personas experimentarán al menos un error de diagnóstico en su vida [6].

Sin embargo, la verdad es que los algoritmos de IA tampoco serán infalibles. Ellos también pueden equivocarse. Incluso si es solo en 1 de cada 100 casos. Claramente, ese es un riesgo que debemos mitigar cuando se usa un algoritmo para evaluar si es probable que un paciente tenga un tumor maligno o no.

El cáncer de mama es la segunda causa principal de muerte por cáncer en las mujeres. Afortunadamente, la detección y el tratamiento tempranos pueden mejorar considerablemente los resultados. Sin embargo, la interpretación de las mamografías sigue siendo un desafío, ya que los expertos humanos logran distintos niveles de precisión.

Por lo tanto, hacer que dos radiólogos lean la misma mamografía ha sido una práctica establecida desde hace mucho tiempo en el Reino Unido y muchos países europeos, lo que produce un resultado superior en comparación con el paradigma de un solo lector. Sin embargo, este paradigma de doble lectura también ha sido discutido, y algunos argumentan que consume una cantidad prohibitiva de recursos, ya escasos.

¿Qué pasaría si, en lugar de depender de dos expertos humanos, reemplazáramos uno con IA mientras seguimos manteniendo al otro experto al tanto de la supervisión humana?

Según los hallazgos publicados en Nature, esto no conduciría a un resultado peor en comparación con el paradigma tradicional de doble lectura con dos lectores humanos. Eso significa que la carga de trabajo del radiólogo podría reducirse considerablemente con el apoyo de la IA, al tiempo que se conserva el juicio de los expertos como parte del proceso para detectar cánceres que el algoritmo pueda haber pasado por alto.

Es un ejemplo convincente del poder de la asociación entre humanos e inteligencia artificial. Y hay otros modelos colaborativos que también se basan en el mismo principio de los cuatro ojos. La IA puede actuar como un primer lector, un segundo lector o como una herramienta de clasificación que ayuda a priorizar las listas de trabajo en función de la sospecha de los hallazgos [8].

Sin embargo, para comprender realmente por qué no podemos confiar únicamente en los algoritmos cuando se trata de la toma de decisiones clínicas, debemos investigar aún más y examinar dónde pueden fallar.

El deep learning no es un profundo conocimiento

Como se explicó anteriormente, los algoritmos de deep learning pueden descubrir incluso los patrones más sutiles en los datos, sin obstáculos por las limitaciones humanas en la agudeza perceptiva o las limitaciones del conocimiento previo. Eso es lo que los hace tan valiosos, permitiéndonos ver más de lo que podríamos ver con nuestros propios ojos.

Pero hay otra cara en esa moneda.

Por más precisos que sean los algoritmos de aprendizaje profundo para realizar una tarea claramente definida, como la detección de tumores de mama de cierto tamaño o forma, no desarrollan una verdadera comprensión del mundo. No tienen la capacidad de razonar o abstraer más allá de los datos en los que fueron entrenados. Solo son inteligentes en un sentido estricto. Y eso significa que debemos utilizarlos con cuidado.

La medicina es más que un reconocimiento de patrones

Hemos visto cómo el reconocimiento de patrones se presta bien a la optimización algorítmica, siempre que se establezcan las medidas de seguridad adecuadas. Los médicos, sin embargo, tienen una tarea mucho más amplia que va más allá del mero reconocimiento de patrones.

Tome una tomografía computarizada de los pulmones como ejemplo. Los algoritmos pueden ayudar a detectar y segmentar áreas de los pulmones que muestran una mayor densidad, como las denominadas opacidades o consolidaciones en vidrio esmerilado. Sin embargo, estas anomalías pueden indicar una amplia gama de afecciones médicas. Podrían ser el resultado de una infección viral (posiblemente, pero no necesariamente COVID-19), una enfermedad no infecciosa o una contusión pulmonar, por nombrar solo algunas posibilidades. Para averiguar qué le ocurre al paciente, el radiólogo o el médico evaluará también otros tipos de datos (que no son de imágenes) y los conectará con el historial del paciente, los síntomas actuales y las posibles comorbilidades.