¿Qué es la Inteligencia Artificial y cómo impacta en la medicina?
La inteligencia artificial es una conjunto de herramientas tecnológicas, fundamentadas en las matemáticas, que buscan simular la toma de decisiones que realiza la inteligencia humana. Es una rama de estudio de las Ciencias de la Computación. La inteligencia artificial se puede dividir en dos grandes áreas de estudio: el aprendizaje simbólico o symbolic learning y el aprendizaje automático o machine learning. Cuando en medicina nos referimos a la inteligencia artificial, habitualmente es a esta área llamada aprendizaje automático a la que nos estamos refiriendo. En el aprendizaje automático entrenamos a un algoritmo para que aprenda a reconocer un determinado patrón. La forma más sencilla de ver esto es pensar en una regresión linear o en una regresión logística.
Por ejemplo, para determinar el riesgo de malignidad de un nódulo pulmonar, podríamos utilizar el algoritmo de la Clínica Mayo, que con los datos que le aportemos, nos dará la probabilidad de malignidad del nódulo en consideración. Para esto, alguna vez se ingresaron datos como ser edad, bordes del nódulo, exposición al tabaco, etc. y se clasificó a un nódulo como benigno o maligno. Así, el método estadístico optimizó una ponderación para cada una de las variables que le introdujimos y obtuvimos un algoritmo para ser utilizado. A partir de ese momento, ofreciendo un nuevo caso al algoritmo obtendremos una probabilidad de malignidad. En este caso se trata de una regresión logística, ya que nos ofrecerá una probabilidad acerca de un resultado binario: benignidad vs. malignidad. Si el resultado fuese numérico, se trataría de una regresión lineal.
Ahora bien, preguntarán si la regresión logística y lineal sirven de ejemplo para explicar a la inteligencia artificial, ¿por qué tanto entusiasmo alrededor de la la inteligencia artificial? ¿Es sólo el uso de una regresión?
La regresión es sólo el inicio. A partir de ella y con un profundo conocimiento de las formas de optimizarla, se crean modelos matemáticos mucho más complejos. Llegamos así a lo que se conoce como aprendizaje profundo, que es una tecnología dentro de la inteligencia artificial. Y específicamente en el aprendizaje profundo encontramos a las redes neuronales profundas o deep neural networks (DNN). Originalmente se las llamó redes neuronales porque se grafican de manera similar a la que operan las neuronas humanas.
Para entenderlo, se debe pensar a una red neuronal de la siguiente manera: tenemos datos que serán el input o entrada de la red neuronal, a partir de los cuales obtendremos un output o información de salida. Tanto el input como el output se conocen como capas o layers: input layer y output layer.
Volviendo al ejemplo del nódulo pulmonar, en la input layer podrían estar los datos de tamaño de nódulo, edad del paciente, bordes, etc. Pero también detalles mucho más finos como datos obtenidos del análisis imagenológico de pixeles de una tomografía. Estos datos atravesarán la red neuronal, en donde cada una de las “neuronas” será una ecuación matemática que ofrecerá un resultado que alimentará a la siguiente “neurona”, que será otra ecuación matemática. Así sucesivamente hasta pasar por decenas de neuronas-ecuaciones y llegar al resultado final en el output layer. El output layer nos dirá si de acuerdo a los datos ingresados, el nódulo es maligno o benigno. Entre la input layer y el output layer están todas estas neuronas-ecuaciones que se conocen como hidden layers. Es en estas hidden layers donde ocurre el procesamiento de datos.
Este es el modelo general de lo que se usa de la inteligencia artificial en medicina. Veamos un ejemplo: nos interesa desarrollar una red neuronal que nos diferencie nódulos pulmonares sólidos de nódulos en vidrio esmerilado. Para esto podríamos tomar una red neuronal accesible libremente. Le ofrecemos imágenes de nódulos pulmonares, etiquetando nosotros mismos a cada imágen como nódulo sólido vs. nódulo en vidrio esmerilado. Tensor Flow de Google es un ejemplo de red neuronal accesible libremente. Entrenaremos así a la red neuronal para que al ofrecerle una nueva imágen, nos diga si se trata de un nódulo sólido o en vidrio esmerilado. En esta etapa es cuando finalmente comprobaremos si la red neuronal ha aprendido.
La medida que se usa para saber si la red neuronal aprendió es el área bajo la curva (ABC) de una una receiver operating characteristic o curva ROC. El ABC va de 0 a 1, siendo un modelo más robusto cuanto más se acerque a 1 el ABC.
En un reciente artículo, Eric Topol resume muchos de los estudios realizados con inteligencia artificial en medicina. Por ejemplo cita el caso en el que un algoritmo tiene un ABC de 0.63 para diagnosticar neumonía en una radiografía de tórax. Como se ve, su diagnóstico es correcto en poco más que la mitad de las veces. En el caso de la cardiomegalia, el ABC mejora hasta 0.87. Si bien el diagnóstico no es perfecto, muchas veces el diagnóstico hecho por un médico no es mucho mejor. Incluso a veces es peor. Son varios los casos en que estos algoritmos tienen una mejor performance que la de un médico especialista. Uno de estos casos es el de un algoritmo entrenado para diagnosticar melanoma cutáneo que obtuvo un ABC de 0.86 vs. el ABC de 0.79 para médicos dermatólogos certificados. Estos resultados son sin tener en cuenta la velocidad de procesamiento de datos que tiene una red neuronal. En cuestión de 1 o 2 segundos podría analizar cualquiera de estas imágenes. Ningún humano puede superarla en este aspecto.
Es este mecanismo de inteligencia artificial por el cual los algoritmos de Facebook aprenden a reconocer caras hasta lograr hacerlo una una gran exactitud. También es la forma en la que operan los autos autónomos para identificar obstáculos en el camino.
Particularmente, encuentro fascinante el mundo de la inteligencia artificial y creo que tendrá un enorme potencial en medicina. Algunos preguntan si la inteligencia artificial reemplazará a los médicos. Eso podrá ser el tema de otro artículo. La respuesta no es un sí o un no, creo tiene muchos aspectos que deben ser analizados. Si creo que la inteligencia artificial tiene la enorme capacidad de potenciar la calidad de la medicina en el futuro y posiblemente mejorar la salud de las personas.
Para los más interesados, les recomiendo un curso online de inteligencia artificial realizado por uno de los pioneros en la inteligencia artificial, es el curso de Andrew Ng.