2 IA salvando vidas: Diagnóstico temprano del cáncer con Deep Learning
Palabras clave: Inteligencia artificial, Machine Learning, Deep Learning, Cáncer, Oncología, Redes convolucionales.
2.1 Introducción
La Inteligencia Artificial (IA) se puede definir como la creación de algoritmos que buscan emular las capacidades cognitivas de un humano. Posee dos subcampos: Machine Learning (ML), el cual busca adaptarse automáticamente a situaciones necesitando poca intervención humana; y el Deep Learning (DL), subconjunto de ML que usa redes neuronales para imitar el proceso de aprendizaje del cerebro humano.
Las tecnologías de Deep Learning son algoritmos que utilizan grandes cantidades de datos para poder modelar abstracciones de alto nivel, permitiendo al algoritmo aprender por su cuenta y hacer tareas como la identificación de imágenes o la realización de predicciones. En base a estas capacidades, los algoritmos de deep learning son utilizados para tres tareas clínicas críticas en la oncología: detección, caracterización y monitoreo del cáncer.
2.2 Artículo
Una detección temprana de cáncer incrementa en gran medida la tasa de supervivencia, según Cancer Research UK, el cáncer de mama al ser diagnosticado en sus primeras etapas tiene una tasa de supervivencia casi del 100%, en comparación al 30% si este se diagnostica en su cuarta etapa. Es por esto que una parte importante de la oncología consiste en desarrollar tecnologías y métodos que permitan reconocer el cáncer de una manera eficaz lo más temprano posible, siendo una de estas tecnologías las inteligencias artificiales de aprendizaje profundo (Deep Learning).
Detección
La etapa de la detección consiste en localizar objetos extraños en radiografías, para determinar si alguno de estos es un tumor cancerígeno. En estos casos, es tarea de la IA servir como pantalla inicial contra errores de omisión, localizando objetos no vistos por el especialista o eliminar falsos positivos reconocidos incorrectamente como cáncer.
Actualmente, esta detección es realizada por redes neuronales convolucionales, arquitecturas de deep learning que realizan transformaciones no lineales a estructuras de datos, en este caso pixeles en una imagen, para aprender a reconocer características relevantes en estos datos. Por lo tanto, si una red neuronal es entrenada utilizando largas colecciones de radiografías donde un paciente presentaba tumores cancerígenos, la red neuronal sería capaz de aprender a reconocer los patrones formados por dichos tumores y así poder reconocerlos en nuevos pacientes.
Figura 2.1: Modelo para detección de cáncer.
Caracterización
La caracterización es una de las etapas más amplias de la oncología, pues esta consiste en generar una descripción amplia de los tumores para detectar qué tanto se ha expandido el cáncer, si los tumores son benignos o malignos y catalogar el cáncer en etapas. Esta etapa también se extiende a la predicción de la evolución del cáncer y cómo este puede responder a distintos tratamientos, es aquí donde entran los algoritmos de deep learning.
Las redes neuronales han demostrado resultados satisfactorios al momento de predecir la agresividad de un cáncer, así como poder proponer qué opciones de tratamiento serán las más adecuadas para ese cáncer, como decidir entre un tratamiento agresivo que incluya radioterapia, cirugía y quimioterapia o esperar a la evolución de este.
Figura 2.2: Relación entre el cáncer de recto y tejidos.
Monitoreo
Por último, la fase del monitoreo se encarga de monitorear los cambios en los tumores con el paso del tiempo, ya sea por su evolución natural o en respuesta al tratamiento.
Como parte de esta etapa, la inteligencia artificial se utiliza para detectar mutaciones anormales en el cáncer que pueden no ser detectadas con facilidad en radiografías. Esto permite un mejor seguimiento de la progresión del cáncer y así ayudar a los oncólogos a prever un relapso, mientras reduce la necesidad de la realización de biopsias constantes en el paciente.
Resultados
El Servicio Nacional de Salud (NHS) en el Reino Unido ya está utilizando un modelo de deep learning llamado MIA entrenado para detectar síntomas tempranos de cáncer de mama. Según la BBC, desde que se empezó a utilizar en 2023, ha sido capaz de detectar síntomas de cáncer que los doctores fueron incapaces de detectar en 11 mujeres. Modelos como MIA están en fases tempranas de desarrollo y están bastante restringidos por regulaciones, como no poder acceder al historial médico del paciente, pero con suficiente tiempo y apoyo del gobierno podrían llegar a ser herramientas indispensables para el análisis oncológico.
Figura 2.3: Clasificación de imágenes con MIA.
2.3 Conclusiones
El deep learning se compone de algoritmos que intentan imitar el comportamiento humano, entre estos algoritmos, el más utilizado actualmente es el reconocimiento de imágenes. Una de las áreas en las cuales se ha visto el potencial del algoritmo de reconocimiento de imágenes es en la Oncología y son usados, en concreto, para tres tareas indispensables al momento de tratar a un paciente con cáncer. Emplear un algoritmo de reconocimiento de imágenes al momento de realizar un diagnóstico sobre una persona puede reducir el error humano, evitando que existan falsos negativos. Este tipo de tecnologías no se limita solamente identificar posibles cánceres, sino también la gravedad de los mismos (que tan avanzados se encuentran), realizar predicciones acerca de su evolución y realizar monitoreos sobre la evolución que estos puedan tener a lo largo del tiempo.
2.4 Referencias
[1] Bhinder, B., Element, O, Gilvary, C. y Madhukar, N. “Artificial Intelligence In Cancer Research And Precision Medicine”. Cancer Discovery, 1 de abril de 2021. Accedido el 29 de julio de 2024. https://doi.org/10.1158/2159-8290.cd-21-0090
[2] Bi, W., Birkbak, Ni. J., Giger, M. L., Hosny, A., Schabath, M. B., et al. “Artificial Intelligence In Cancer Imaging: Clinical Challenges And Applications”. CA A Cancer Journal For Clinicians, 5 de febrero de 2019. Accedido el 29 de julio de 2024. https://doi.org/10.3322/caac.21552
[3] Cancer Research UK. “Why Is Early Cancer Diagnosis Important?”, 30 de marzo de 2023. Accedido el 29 de julio de 2024. https://goo.su/q1mPJas
[4] Kleinman, Zoe . “NHS AI test spots tiny cancers missed by doctors”. BBC, 20 de marzo de 2024. Accedido el 09 de septiembre de 2024. https://goo.su/lbPSt