Logran mejorar la predicción de cáncer mediante inteligencia artificial
A partir de mamografías de más de 60 mil pacientes, un equipo de MIT diseñó un algoritmo capaz de detectar con hasta 5 años de anticipación indicios del cáncer de mama que resultan imperceptibles al ojo humano.
En la era de los grandes datos, el registro sistemático de mamografías ha comenzado a tener un uso inesperado. Recientemente, un equipo liderado por la Doctora Regina Barzilay del Computer Science and Artificial Intelligence Laboratory (CSAIL) del Instituto de Tecnología de Massachusetts (MIT) propuso un nuevo modelo de aprendizaje profundo (deep learning) capaz de predecir la probabilidad de que un paciente desarrolle cáncer con hasta cinco años de anticipación respecto del diagnóstico tradicional.
El algoritmo que crearon es sensible a ciertos patrones en las imágenes que el ojo humano no puede detectar. Para lograrlo, fue fundamental contar con los datos para el entrenamiento automático: un enorme banco de imágenes de más de 60 mil pacientes del Massachusetts General Hospital (MGH).
El modelo presentado por Regina y su equipo mostró una mejora sustancial en la performance respecto a sus predecesores: pudo predecir un 31% del total de pacientes que se encontraban en las categorías de más alto riesgo, comparado con el 18% de precisión que tenían los modelos anteriores.
La mayoría de métodos tradicionales de predicción se basan en variables de los pacientes tales como la edad, la historia familiar en relación al cáncer o la densidad del tejido. Sin embargo, estos factores están débilmente correlacionados con la posibilidad de desarrollar cáncer.
Ya desde los años 60, numerosos radiólogos notaron que las mujeres tenían patrones únicos en su tejido mamario. Esos patrones funcionan como indicadores de una gran variedad de factores tales como la influencia genética, hormonal o la dieta: o sea, pueden indicar, por ejemplo, si la paciente tuvo un incremento o una pérdida de peso, si tiene tal o cual característica genética o si sufrió algún cambio hormonal.
Mediante el algoritmo automático propuesto, el estudio de esos mismos patrones en el tejido puede ahora revelar información crucial para el diagnóstico temprano del cáncer de mama.
La importancia de acumular datos
La aplicación de tecnologías de IA a la medicina implica una revolución en la forma en que percibimos los estudios médicos: una mamografía no solo nos ayuda a detectar el cáncer de forma temprana, sino que además trasciende el plano individual y contribuye de forma colectiva a mejorar los métodos de diagnóstico.
Sin el historial clínico y las miles de imágenes registrando todo el proceso durante años, estos algoritmos predictivos perderían su capacidad. Más allá del diagnóstico de cáncer de mama, estas tecnologías están empezando a aplicarse en otras patologías como el seguimiento de tumores cerebrales.
Asimismo, en el plano local, numerosos institutos de Universidades Nacionales y Conicet se encuentran trabajando en problemas similares. Por ejemplo, en 2018, investigadores del Instituto Pladema, ubicado en Tandil, en colaboración con KU Leuven (Bélgica), propusieron un algoritmo de detección de microaneurismas y lesiones en fotografías de fondo de ojo de personas con diabetes, clave para el diagnóstico de la retinopatía diabética proliferativa, un proceso por el cual se va perdiendo capacidad visual hasta quedar ciego.
El impacto de las mamografías
En el mundo científico se siguen publicado estudios que intentan evaluar el impacto de las mamografías realizadas de forma periódica a partir de una determinada edad. Por ejemplo, en esta publicación, que examina datos a lo largo de un período de más de trés décadas (1976-2008), se observa que la mortalidad producida por cáncer de mama se redujo considerablemente.
En el caso de las mujeres de más de 40 años, el número de muertes producidas por cáncer de mama pasó de 71 a 51 cada 100,000 mujeres, lo que representa una caída del 28%. Si bien es posible que la captura de este tipo de imágenes no sea el factor fundamental que explica el fenómeno, sí se afirma que la baja se produce por una combinación de factores, entre los que se encuentran las nuevas herramientas de diagnóstico pero, sobre todo, la mejora en la efectividad de los tratamientos.
*Es Investigador de CONICET - UTN FRBA en el área de Computación Gráfica, doctorado en Ciencias de la Computación por la Université de Nice - Sophia Antipolis (Francia). Participa regularmente en proyectos de investigación que combinan técnicas digitales para la manipulación de imágenes y la creación de contenido interactivo. En Twitter: @emmaiarussi. Más en: http://emmanueliarussi.com/.