La inteligencia artificial aplicada al tratamiento de imágenes médicas

En medicina, un diagnóstico eficiente, eficaz y temprano es fundamental para lograr identificar síntomas y determinar un tratamiento que cambie el curso de la enfermedad. Para ello, la tecnología se ha convertido en la gran aliada para la sanidad del futuro, contando con la incorporación de nuevas formas de diagnóstico a través del uso de la Inteligencia Artificial, entre otras cosas.

¿Qué es la Inteligencia Artificial?

La Inteligencia Artificial podría definirse como la manera en que una máquina o sistema emula conductas o comportamientos humanos, por ejemplo, a través del aprendizaje profundo, el pensamiento estratégico o las respuestas ultrarrápidas. Tal y como indica Takeyas en su estudio sobre la Inteligencia Artificial, En 1956, en Dartmouth, se organizó un taller en el que se reunían diez de los investigadores más prominentes en el área de teoría de autómatas, redes neuronales y el estudio de la inteligencia (Rusell y Norvig, 1996). Se presentaron proyectos de aplicaciones articulares, juegos y 25 programas de razonamiento, sin embargo, no aportaron avances notables. Probablemente lo más importante fue el nombre que John McCarthy (quien por muchos es considerado el padre de esta área) asignó a este campo de investigación: Inteligencia Artificial (IA). 

El auge de la Inteligencia Artificial en el campo de las imágenes médicas 

Tal y como indican los Doctores Aguirre, Carballo, Gigirey y González en la Revista Imagenol (Ene./Jul. 2021), la utilidad de la IA en la imagenología se puso en boga debido al desarrollo del deep learning (del inglés, aprendizaje profundo), rama de la IA que se basa en el desarrollo de redes neurales artificiales a las que se les “enseña” a brindar datos y cuya eficacia aumenta conforme aumenta su aprendizaje. Así, y en cuanto a su aplicación en la radiología, explican que el espectro de aplicaciones es sumamente alto y enumeran las cuatro grandes áreas objetivas de la IA en la imagenología:  

  • 1) Funciones de asistencia al trabajo del radiólogo.  
  • 2) Optimización de la técnica radiológica.  
  • 3) Segmentación y detección de lesiones.  
  • 4) Diagnóstico basado en imágenes.  

Así, en las jornadas organizadas por la Fundación Bamberg sobre “la importancia de los datos y la IA como factor clave en la transformación de la medicina”, los expertos señalaron que el reto es gestionar el cambio. Tal y como indica Isanidad en su crónica sobre el evento, el reto es el de “trasladar a los profesionales sanitarios que la IA es una herramienta destinada a hacer su labor más eficiente (…) y entiendan que esta herramienta una ayuda, no un reemplazo”. 

El mercado de la Inteligencia Artificial en las Imágenes Médicas 

Las imágenes médicas han estado ayudando al campo de la salud y de la atención médica a realizar diagnósticos y a llevar a cabo tratamientos gracias a la creación y el procesamiento de las imágenes del cuerpo humano o de partes de éste.  

La IA en el mercado de las imágenes médicas está en constante crecimiento. En 2021, el tamaño del mercado global de imágenes médicas fue de 37.970 millones de dólares, y se espera que llegue a los 56.530 millones de dólares en 2028, según datos de Fortune Business Insights

El uso de la IA en el tratamiento de imágenes médicas como radiografías, TACs o escáneres hace que la asistencia médica sea más eficiente ya que permite un análisis de imágenes potencialmente más rápido, lo que a su vez facilita el diagnóstico, seguimiento y tratamiento de enfermedades múltiples.  

Debido a la gran cantidad de imágenes que se generan en el sector sanitario, su análisis y revisión puede consumir mucho tiempo al personal, y una de las grandes ventajas de la inteligencia artificial es la capacidad para poder analizar y organizar grandes cantidades de datos de forma detallada. De acuerdo con datos de GE Healthcare, más del 90% de los datos de atención médica se extraen de imágenes médicas y las estadísticas marcan que, de media, los radiólogos actualmente leen aproximadamente 12 imágenes de resonancia magnética por minuto, a diferencia de las 3 imágenes que tenían que leer hace diez años. 

En países como México o la India, en el que tan solo hay unos 4.000 radiólogos para 130 millones de personas y 10.000 radiólogos para 1.300 millones de personas respectivamente, la aplicación de IA a imágenes médicas puede tener un gran impacto y ayudar a paliar esa escasez de profesionales del sector. 

Predible Health y otras startups indias basadas en la aplicación de IA en imágenes médicas de radiología, se crearon para ayudar a los profesionales a diagnosticar y tratar cualquier afección torácica, como nódulos pulmonares, fibrosis pulmonar, enfisema, e incluso en la detección y estimación de gravedad de COVID-19 de una manera mucho más rápida y eficaz. 

Sin embargo, en países como China, donde se contabilizaron alrededor de 158.072 radiólogos para 1.411 millones de habitantes (2017), la aplicación de la IA en el tratamiento de imágenes médicas ha pasado a ser el segundo segmento de mercado más grande de aplicaciones médicas de IA en el sector sanitario. Este crecimiento va acompañado del hecho de que cada año el conjunto de datos de imágenes médicas aumenta un 30% en el país, y representa el 90% del volumen de datos digitales en un hospital. 

En Estados Unidos, de acuerdo con una encuesta de KLAS Research realizada a ejecutivos de la atención médica de Estados Unidos en otoño de 2020, alrededor del 48% de ellos afirmaron que actualmente están implementando la Inteligencia Artificial para el diagnóstico mediante imágenes médicas

Ventajas y ejemplos de la Inteligencia Artificial en su aplicación en la imagen médica 

La IA ha acelerado el proceso en el que los profesionales de la salud construyen los patrones diagnósticos, así como el registro y análisis de todos los datos de los pacientes que, antes, se hacía de una forma más analógica. 

Actualmente, los profesionales tan solo tienen que interpretar los datos y realizar un diagnóstico, el cual es mucho más preciso debido a ese análisis previo y a la extracción de la información que es clínicamente relevante. Por lo tanto, al facilitar el diagnóstico, la toma de decisiones de tratamiento para los pacientes se realiza más rápidamente y de manera más acertada.  

Esto ayuda a aliviar la carga de trabajo de los profesionales, al mismo tiempo que se reducen los riesgos de posibles errores y las ineficiencias al mejorar el uso de los recursos. Según datos expuestos por Vitech, este tipo de aplicaciones de IA tienen una precisión del 97% al 99%, y aumentan la eficiencia del flujo de trabajo al reducir el tiempo de lectura de los informes en un 34%3

Son tantas las ventajas que la aplicación de este tipo de disciplinas ofrece que muchas empresas, entidades y organismos lo están implementando para beneficiarse de las mismas. Veamos diferentes ejemplos y casos de uso: 

  1. Un ejemplo de esto es el de Cognitiva y ChileRad, que cuentan con lo que denominan como “Análisis Cognitivo de Imágenes Médicas (ACIM)”, un sistema entrenado a partir de más de 300.000 imágenes radiológicas de tórax anónimas extraídas de las bases de datos de Chilerad y la Universidad de Stanford. De acuerdo con Cognitiva, “su capacidad de aprendizaje automatiza el proceso de lectura e interpretación de imágenes para mejorar los tiempos de análisis y elaboración de informes médicos, ya que los radiólogos solo deben cargar al sistema las imágenes radiológicas del paciente para analizarlas e indicarle al médico tratante un prediagnóstico acertado sobre la patología presentada». El sistema es capaz de distinguir hasta 16 patologías médicas diferentes. Además, un algoritmo desarrollado por Stanford ML Group, llamado CheXNeXt, leyó radiografías de tórax para 14 patologías diferentes, y lo hizo con la misma precisión pero de manera mucho más eficiente que expertos radiólogos, quienes tardaban una media de 4 horas en realizar las lecturas frente a los escasos 2 minutos que tardó el algoritmo. 
  1. Otra clara ventaja que proporciona la IA en las imágenes médicas es, por ejemplo, en la detección del cáncer de mama. Tal y como explica la Dra. Elías, especialista en IA aplicada al cribado de mama de la Sociedad Española de Radiología Médica (SERAM), a EPE, el desarrollo de nuevos sistemas de IA con tecnología deep learning han mejorado los algoritmos de los “diagnósticos asistidos por ordenador” (del inglés, computer aided diagnosis) los cuales ayudan a los médicos en la interpretación de contenidos multimedia que se obtienen en pruebas a las que se ha sometido el paciente. Estos nuevos sistemas son capaces de detectar lesiones sospechosas de cáncer de mama, tanto en mamografía digital como en tomosíntesis—una forma avanzada de mamografía digital para aumentar la detección precoz del cáncer de mama—asignándoles a las pruebas una puntuación en función de la probabilidad de malignidad.   

Como vemos, el entrenamiento de algoritmos de IA a través de multitud de vídeos e imágenes y enseñando al software a distinguir las diferentes enfermedades, puede llegar a construir un patrón de reconocimiento capaz de detectar enfermedades con mucha más precisión y de manera más inmediata e incluso temprana, ofreciendo no solo un mejor resultado sino también una reducción de los costes de los tratamientos. Por ejemplo, el diagnóstico y tratamiento temprano de muchos tipos de cáncer puede reducir los costes en más de un 50%

  1. Otro ejemplo de las ventajas de la IA aplicada al tratamiento de imágenes médicas se explica en un estudio reciente publicado en The Journal of Nuclear Medicine, donde los investigadores descubrieron que al implementar IA en imágenes médicas y combinarlas con datos clínicos, los médicos podrían mejorar los modelos predictivos que indican el riesgo de ataques al corazón en pacientes con una enfermedad arterial coronaria establecida. 
  1. Por otro lado, Siemens Healthineers ha lanzado una serie de soluciones impulsadas por IA para erradicar los problemas relacionados con los diagnósticos de los pacientes. Una de esas soluciones es AI-Rad Companion Brain MR, un sistema que mide el volumen de materia gris, materia blanca y líquido cefalorraquídeo en más de 30 regiones del cerebro. Esto ayuda al departamento de neurología a tener resultados y análisis más detallados, y en un tiempo mucho más rápido. Además, da como resultado un ahorro del tiempo para los radiólogos.  
  1. AI-Rad Companion Chest CT es otro de los productos de Siemens Healthineers; un sistema que incluye la capacidad de proporcionar segmentación del lóbulo pulmonar, detección y medición de lesiones pulmonares, detección de calcio, segmentación del corazón y aorta y medición del diámetro, así como segmentación y medición del cuerpo de las vértebras. 
  1. En 2018, la FDA aprobó uno de los primeros algoritmos de IA destinado a ayudar en la toma de decisiones clínicas en relación con fracturas de muñeca. El software en cuestión, OsteoDetect, utiliza un algoritmo de IA que analiza las imágenes de radiografías de muñeca para detectar fracturas de radio distal, una de las lesiones más comunes en la articulación. El software marca la ubicación de la fractura en la imagen para ayudar al médico a detectarlo. 
  1. Los investigadores de la Society of Nuclear Medicine and Molecular Imaging han desarrollado una red de deep learning que puede predecir problemas cardíacos, como infarto de miocardio o incluso la muerte por insuficiencia cardíaca. En el estudio se incluyeron más de 20.000 pacientes y el algoritmo de deep learning pudo predecir eventos cardíacos adversos utilizando imágenes de perfusión miocárdica de tomografía por emisión de fotón único. 
  1. Investigadores de la Universidad de Tulane han descubierto que la IA puede detectar y diagnosticar con precisión el cáncer colorrectal mediante el análisis de escaneos de tejidos. Según los investigadores, los patólogos evalúan y etiquetan regularmente miles de imágenes de histopatología para identificar si un paciente tiene cáncer. Sin embargo, su carga de trabajo ha crecido significativamente, lo que podría derivar en diagnósticos erróneos no deseados. Una solución a este problema la ofrece el uso de algoritmos de machine learning, que entre miles de imágenes pueden identificar el cáncer colorrectal con un rendimiento muy superior a la histopatología. 
  1. Investigadores del RIKEN Center for Advanced Intelligence Project (AIP) han realizado estudios en los que han probado la Inteligencia Artificial para mejorar los diagnósticos de las cardiopatías congénitas fetales. Se concluyó que los resultados de los diagnósticos eran más precisos cuando se utilizaba una interfaz gráfica que representaba el análisis de la IA de los vídeos de detección de ultrasonido cardíaco fetal. Esto podría ayudar a realizar un diagnóstico temprano antes del nacimiento para mejorar las probabilidades de supervivencia. 

En un mundo donde todo crece y avanza a velocidad de vértigo, la aplicabilidad de la IA en el diagnóstico supone, por tanto, un progreso en la capacidad de diagnóstico y en la rapidez y eficacia del mismo. Sin embargo, como hemos venido explicando en otros artículos relacionados con la implementación de las nuevas tecnologías en el ámbito sanitario, la formación en la aplicación de estas por parte de los profesionales es de vital importancia para beneficiarnos de las ventajas que pueden aportar a la sociedad.  

¿Quieres conocer nuestros próximos artículos?

Al enviarnos tu email y/o registrarte en nuestra plataforma estarás aceptando nuestro Aviso Legal y la Política de Privacidad.

Seguir leyendo...

Miembros DIH·bio
Premios “Health To Market” para el acceso al mercado o internacionalización de proyectos innovadores en el área de la Salud
El socio de DIH·bio la Fundación Parque Científico de Madrid (FPCM) lanza la primera
Miembros DIH·bio
IIC ( Instituto de Ingeniería del Conocimiento), socio de DIH·bio, participa en una jornada sobre la salud que viene: basada en datos y en tecnologías como la IA
Directivos de HM Hospitales, Sanitas, Boehringer Ingelheim y el Instituto de Ingeniería del Conocimiento
Miembros DIH·bio
Identifican una nueva fusión oncogénica y tratable en tumores hematológicos agresivos
Investigadores de la Universidad Autónoma de Madrid (UAM) han identificado un nuevo gen de