El diagnóstico de un patólogo tras de revisar las muestras de tejido biológico de un paciente es fundamental para la detección del cáncer y determinante para la decisión sobre qué tratamiento administrar.
Ahora, Google pretende utilizar la inteligencia artificial para mejorar y agilizar estos diagnósticos y las pruebas realizadas hasta ahora resultan muy prometedoras.
La tarea de revisar las muestras de tejido biológico de un paciente, llevada a cabo por los patólogos para emitir un diagnóstico, es realmente compleja y requiere años de aprendizaje para poder hacerlo bien.
Los patólogos deben revisar todos los tejidos biológicos visibles en una diapositiva. La dificultad radica en que puede haber muchas diapositivas por paciente y cada una de ellas ronda los 10 gigapíxeles al ser digitalizadas con un aumento de 40X.
Los patólogos deben deben revisar miles de imágenes como estas y examinar a conciencia cada píxel. Eso supone una cantidad enorme de información para revisar, a menudo, en un tiempo limitado.
No es de extrañar, por tanto, que haya disparidad en los diagnósticos. Aún tratándose de patólogos experimentados, en muchas ocasiones, hay diferencias en los diagnósticos de diferentes patólogos y en el caso de enfermedades como el cáncer de mama o de próstata, el consenso puede ser incluso inferior al 50%.
La inteligencia artificial es ideal para analizar mucha información en poco tiempo y los recientes avances en reconocimiento de imágenes y aprendizaje profundo ya han ayudado a Google a detectar con bastante precisión otras enfermedades como la retinopatía diabética.
Ahora, para tratar de evitar estas diferencias entre diagnósticos y agilizar el proceso de detección, el gigante de las búsquedas está investigando cómo aplicar el aprendizaje profundo a la patología digital, creando un algoritmo de detección automatizado que pueda complementar el trabajo de los patólogos.
Concretamente, los investigadores de Google utilizaron imágenes proporcionadas por el Centro Médico de la Universidad de Radboud para entrenar a unos algoritmos diseñados especialmente para la localización de cánceres de mama que se han propagado (metástasis) a los ganglios linfáticos adyacentes a la mama.
Resultados del estudio
De acuerdo con los resultados obtenidos en el estudio, los enfoques de aprendizaje profundo estándares como Inception (o GoogLeNet), funcionaron bastante bien, aunque los mapas de calor para la predicción de probabilidad de tumor generados mostraban cierto ruido.
Sin embargo, tras una mayor personalización, entre otras cosas, entrenando las redes para examinar la imagen con diferentes aumentos (como lo hace un patólogo), los mapas de calor para la predicción generados por el algoritmo mejoraron de forma asombrosa.
El algoritmo logró una puntuación de localización (FROC) del 89%, que supera con creces la del 73% obtenida por un patólogo sin restricción de tiempo.
El modelo de Google también obtuvo buenos resultados con imágenes procedentes de otro hospital y generadas con diferentes escáneres.
En definitiva, el estudio de Google, publicado con el título “Detecting Cancer Metastases on Gigapixel Pathology Images”, demuestra que es posible entrenar un modelo de inteligencia artificial que iguale o exceda el desempeño de un patólogo, incluso si este ha contado con tiempo ilimitado para examinar las imágenes.
Según los investigadores, la tecnología todavía ha de ser perfeccionada, pero, sin duda, los resultados del estudio son altamente prometedores.
Fuente: Google Reserch Blog
Seguir leyendo:
Trackbacks/Pingbacks