La inteligencia artificial en el terreno de la salud está avanzando a pasos agigantados, y puede proveernos de herramientas de diagnóstico muy útiles, eficaces y rápidas. Esto, determinar un diagnóstico fiable en un corto espacio de tiempo, es fundamental para mejorar la esperanza de vida de los pacientes y poder atajar las enfermedades a tiempo, de la misma manera que afirmábamos cuando hablábamos de los test de ADN exprés para bebés.
Sin embargo, el potencial del machine learning va más allá del diagnóstico: ahora, la IA de Google “DeepMind” planifica también las sesiones de radioterapia para pacientes con cáncer, y lo hace mejor que los médicos humanos.
La dificultad de la radioterapia es que es un proceso lento y difícil, muy delicado, ya que si no se aísla bien la zona, los tejidos alrededor del tumor pueden resultar dañados. Al proceso de aislamiento de esos tejidos se le llama segmentación, o contorneo de volumen tumoral. Los algoritmos automatizados no daban buenos resultados hasta ahora, pero con el paso de los años, los algoritmos de deep learning han avanzado tanto que ya obtienen mejores resultados mejores o iguales a los de los expertos humanos.
Por otro lado, el proceso de segmentación es lento, y un experto puede invertir horas en llevarlo a cabo. Esas horas podría dedicarlas a otro tipo de tareas menos mecánicas, por decirlo así, y por eso el interés en los avances de la IA es tan evidente.
En el artículo “Deep learning para lograr una segmentación clínicamente aplicable de la anatomía de la cabeza y el cuello para la radioterapia“, presentado en la conferencia “Medical Image Computing & Computer Assisted Intervention” el pasado septiembre, el equipo de DeepMind presentó su arquitectura entrenada con 663 tomografías de 21 órganos de pacientes con cáncer de cabeza y cuello. El entrenamiento duró 30 segundos, utilizando una sola GPU (una unidad de procesamiento gráfico).
Los resultados hablan por sí solos: en 19 de los 21 órganos no se apreciaron diferencias significativas entre el equipo de radiólogos experto, con varios años de experiencia, y el modelo de deep learning. Esto significa que no hubo más de un 5% de variación en los resultados.
Además, se realizaron un conjunto de pruebas independientes con tomografías computarizadas de 24 pacientes practicadas en zonas que el modelo no había “visto” con anterioridad, y se observó que no había “brecha” sustancial entre los resultados obtenidos por el modelo y los radiólogos en ningún paciente.
Para los investigadores, el potencial real de DeepMind es el de reducir el tiempo de demora entre el diagnóstico y el tratamiento, y también reducir el tiempo necesario para adaptar los procedimientos a medida que el tumor se reduce (radioterapia adaptativa). Sin duda, la inteligencia artificial nos permitirá avanzar no solo en el tratamiento de enfermedades mortales como el cáncer, sino también en acelerar la investigación.
