¿Ya podemos confiar en la IA para diagnosticar el cáncer?

¿Cuál será el lugar del mañana para la inteligencia artificial (IA) en la medicina? ¿Los problemas de diagnóstico ya no los puede resolver un Dr. House sino su alter ego digital? De hecho, la IA ya está superando al ojo en la detección de ciertos tumores a partir de imágenes radiológicas (mamografías, resonancias magnéticas)… Lo que ha llevado a algunos a decir que las computadoras pronto reemplazarán a los expertos humanos.

Pero, contrariamente a estas predicciones, el el radiólogo no desapareció : por el contrario, se produjo una “colaboración” inesperada entre él y la máquina que iba a ocupar su lugar. El primero trabajando para canalizar las capacidades y fortalezas del segundo con el fin de mejorar la interpretación y el diagnóstico en beneficio de los pacientes.

Esta cuestión de la ayuda al diagnóstico correcto es central, y vale tanto en psiquiatría donde la IA también está dando sus primeros pasos que en oncología… En anatomía patológica, ya sea "el examen de órganos, tejidos o células para identificar y analizar anomalías relacionadas con una enfermedad (cáncer, etc.)", las perspectivas y las promesas son enormes.

¿La IA ya es capaz de tales análisis? ¿Podría resultar más eficiente que el experto humano?

Abundan los malentendidos y la confusión, y es importante entender por qué. Es este punto el que te proponemos aquí.

Lo que permitió los primeros pasos de la “patología digital”

Para la IA, como para cualquier especialista humano, el diagnóstico se basa, entre otras cosas, en un objeto tan simple como imprescindible: las láminas de vidrio sobre las que el patólogo coloca una finísima "rebanada" del tejido a analizar ( pulmón, hígado, etc.), para poder observarlo al microscopio.

A través de este análisis microscópico, el patólogo puede identificar diferentes tipos de células, comparar sus formas o incluso su organización espacial (arquitectura) para identificar grupos anormales, por ejemplo, tumores.

La digitalización masiva de estas diapositivas allanó el camino para el uso de la IA en la anatomía patológica. La llegada de escáneres adaptados permite, en un número creciente de hospitales, la adquisición y almacenamiento de portaobjetos de microscopía en forma digital. Sin embargo, se mantienen las diapositivas originales... lo que no necesariamente será posible para todas sus versiones digitalizadas, debido al costo de almacenamiento.

Este procedimiento, que abre el camino a la “patología digital”, ha permitido trabajar en algoritmos destinados a realizar su análisis de forma automatizada. Con el objetivo de que la IA pueda asistir al patólogo en su diagnóstico. También es útil por razones ergonómicas y para ahorrar tiempo.

Los portaobjetos de vidrio se observan tradicionalmente bajo un microscopio. Ahora se pueden digitalizar para su estudio en una pantalla de computadora. Esto también permite que se transmitan a redes neuronales artificiales.
DR, Proporcionado por el autor

Pero al igual que el ser humano, la máquina (la mayoría de las veces redes neuronales artificiales) debe ser entrenada. Primero, debe ser capaz de “mirar” las cuchillas y comprender de qué se trata. Este análisis utiliza la tecnología de reconocimiento de patrones como técnica básica.

En segundo lugar, debe ser capaz de interpretar lo que “ve”. La IA se basa en la noción de aprendizaje y la capacidad de inferir, es decir, de transferir los conocimientos adquiridos durante su formación y entrenamiento a otras situaciones, comparables pero no similares: por ejemplo, reconocer una micrometástasis en un ganglio linfático de cáncer de mama (grupo de unos pocos tumores). células que pueden pasar desapercibidas) por haber visto previamente otras imágenes de metástasis.

Cabe señalar que las diapositivas digitalizadas contienen muchos más píxeles que las imágenes radiológicas y contienen miles de células; por lo tanto, son particularmente ricas en información que los algoritmos podrían explotar.

[Casi 80 lectores confían en el boletín informativo The Conversation para comprender mejor los principales problemas del mundo. suscríbete hoy]

Un asistente digital rápido y fiable...

Las investigaciones y los ensayos actuales muestran que, en última instancia, la IA podría ser relevante en varias áreas:

• automatización de las actividades más repetitivas y subjetivas,
• ayuda en la detección de tumores, evaluación de agresividad y subtipificación,
• recuento de células tumorales, especialmente aquellas en división (mitosis),
• evaluación de la intensidad de la respuesta inmune (número de linfocitos que atacan al tumor).

Los intereses son múltiples: devolver tiempo al patólogo humano para que pueda dedicarse a las tareas más complejas donde el valor añadido humano es real, para que el diagnóstico final sea más rápido y fiable. Y, lo que es más importante en la ciencia, los resultados de los análisis de IA son generalmente reproducibles.

Ya podemos identificar casos concretos donde la contribución de la IA es relevante:

• Detección de cáncer de mama: los algoritmos son más eficientes que el patólogo para detectar detección de micrometástasis en los ganglios linfáticos del hueco axilar.
• Evaluación del pronóstico del cáncer de mama: las redes neuronales artificiales identifican eficazmente las marcas celulares realizadas con anticuerpos específicos (técnica de inmunohistoquímica). En el cáncer de mama, la cuantificación de la expresión de la proteína HER2 en las células tumorales permite evaluar el pronóstico de la enfermedad y la respuesta a determinados fármacos, proteína que estimula la progresión cancerosa. Por lo tanto, el diagnóstico asistido por computadora sería completamente relevante.
• Agresividad del cáncer de próstata: se evalúa mediante el puntuación de Gleason, que se determina mediante análisis microscópico de biopsias de próstata. Establecer una puntuación de Gleason requiere analizar muchas diapositivas y, de nuevo, lleva tiempo. Los estudios han demostrado una buena concordancia entre la evaluación realizada por un patólogo y la de una red neuronal artificial.

…incluso un verdadero colega

Además de su ayuda con tareas repetitivas donde la experiencia humana contribuye poco, la IA tiene ventajas específicas en términos de la cantidad de información que puede procesar. Por lo tanto, puede extraer datos adicionales relevantes para la atención del paciente, que ciertamente están disponibles de forma rutinaria pero que a menudo están "ocultos" porque son indetectables para el ojo humano.

La IA es efectiva para contar células tumorales, especialmente en división (como aquí). También podría asociar aspectos microscópicos y mutaciones genéticas específicas del cáncer.
Al-Janabi S et al., CC BY

Los ejemplos más conocidos son la identificación de anomalías genéticas o genómicas en los cánceres y la evaluación posterior del pronóstico y la respuesta al tratamiento.

El diagnóstico de cáncer generalmente se realiza a partir del análisis de un tumor (después de su biopsia o extirpación), colocado en portaobjetos de vidrio para su estudio al microscopio, como señalamos anteriormente. Ya ricos en información, estos primeros exámenes pueden complementarse con análisis genéticos: al identificar mutaciones específicas del tumor, permiten caracterizarlo mejor. Los especialistas están así mejor capacitados para establecer un tratamiento adecuado. Pero estos análisis adicionales “consumen” tejido tumoral y toman tiempo.

La mera observación de los portaobjetos digitalizados podría permitir que los algoritmos detectaran las mutaciones relevantes, sin recurrir al análisis genético. Esto ahorra tiempo, dinero y material tumoral ("ahorro de tejido"); este último se puede guardar para otros análisis.

La detección de mutaciones es posible mediante la correlación de una forma o arquitectura tumoral (observada al microscopio) con la presencia de mutaciones previamente identificadas mediante secuenciación (lectura) de ADN. El algoritmo debe aprender a asociar aspectos microscópicos y mutaciones.

El mismo aprendizaje podría implementarse para vincular aspectos microscópicos y respuesta a fármacos o pronóstico.

Límites aún fuertes

Si bien la IA ciertamente mejorará a mediano plazo el diagnóstico de cánceres y la atención de los pacientes, el desarrollo de algoritmos adecuados es largo y costoso.

Muchos ejemplos de imágenes (idealmente varios miles), normales y patológicas, son necesarios para constituir los diferentes conjuntos sobre los que se entrenará. Esto requiere grandes bases de datos, donde cada ejemplo ha sido anotado por un patólogo, y estas colecciones de imágenes requieren grandes capacidades de almacenamiento y su digitalización-anotación representa un presupuesto sustancial.

El rendimiento de la IA depende de la calidad de los datos proporcionados durante su entrenamiento, lo que hace que no esté libre de sesgos. Incluso puede amplificar los sesgos presentes en los conjuntos de entrenamiento. Y, como un ojo humano bien entrenado, puede cometer errores.

Finalmente, la futura implementación de estos modelos digitales junto a los médicos en la atención "real" de los pacientes requerirá la definición de estándares y un marco legal, como fue el caso de los análisis genéticos tras la llegada de la secuenciación de alto rendimiento.

De hecho, este desarrollo requerirá el intercambio de ciertos datos médicos, lo que choca con la ética y el secreto médico. Su compartición entre centros es necesaria para el establecimiento de grandes bases de datos, ellas mismas necesarias para el desarrollo de algoritmos fiables. Y si los datos siempre se anonimizan, su posible transferencia por Cloud plantea problemas de confidencialidad (riesgo de piratería).

Además, para permitir la evaluación en tiempo real del pronóstico de la enfermedad y la respuesta al tratamiento, los algoritmos deberían poder operar directamente desde la historia clínica electrónica. Esto solo se puede hacer respetando las recomendaciones de la Agencia Europea de Medicamentos que aún no se han establecido.

Perspectivas de futuro

A pesar de estos obstáculos, la transición ha comenzado. En última instancia, el objetivo es la IA integra datos multimodales, de los cuatro estratos de la oncología moderna: microscopía, radiología, genética y práctica clínica. Esta integración conducirá a modelos más eficientes, en particular para la evaluación del pronóstico. Dentro de cinco años, la IA podría abandonar el campo de la investigación y utilizarse en la atención de rutina.

El advenimiento de la patología digital promete ser, en cualquier caso, un gran punto de inflexión en beneficio de los pacientes.

Audrey Rousseau, Catedrático de Anatomía Patológica - Médico docente-investigador del Hospital Universitario de Angers, Universidad de Angers et leslie tessier, estudiante de doctorado, pasante en anatomía patológica y citología, RadboudUMC, Nijmegen, Universidad de Angers

Este artículo ha sido publicado de nuevo. La conversación bajo licencia Creative Commons. Lee elarticulo original.