La inteligencia artificial (IA) es un conjunto de herramientas tecnológicas basadas en modelos matemáticos que buscan simular la toma de decisiones de la inteligencia humana. Es una rama de estudio de las Ciencias de la Computación.
De manera general, la IA se divide en dos grandes áreas:
- Aprendizaje simbólico (symbolic learning)
- Aprendizaje automático (machine learning)
Cuando hablamos de inteligencia artificial aplicada a la medicina, casi siempre nos referimos al aprendizaje automático. Este consiste en entrenar a un algoritmo para que aprenda a reconocer un patrón. El ejemplo más simple para comprenderlo son las regresiones lineales y logísticas.
Ejemplo práctico: nódulo pulmonar y regresión logística
Para determinar el riesgo de malignidad de un nódulo pulmonar, podemos usar el algoritmo de la Clínica Mayo. Con datos como edad, bordes del nódulo o exposición al tabaco, el modelo calcula la probabilidad de que el nódulo sea benigno o maligno.
Esto se logra mediante una regresión logística, que asigna un peso a cada variable y ofrece una probabilidad sobre un resultado binario: benignidad vs. malignidad. Si el resultado fuera numérico, estaríamos ante una regresión lineal.
¿Por qué tanto entusiasmo con la inteligencia artificial?
La regresión es solo el inicio. A partir de ella, y mediante métodos de optimización más avanzados, surgen modelos mucho más complejos. Es aquí donde aparece el aprendizaje profundo (deep learning), dentro del cual se encuentran las redes neuronales profundas (deep neural networks, DNN).
Se las llamó “redes neuronales” porque su representación gráfica recuerda a cómo funcionan las neuronas humanas.
En este esquema, los datos ingresan a una capa de entrada (input layer), atraviesan múltiples capas ocultas (hidden layers) de procesamiento y finalmente generan un resultado en la capa de salida (output layer).
Ejemplo: diferenciar nódulos sólidos de nódulos en vidrio esmerilado
Imaginemos que queremos entrenar una red neuronal para distinguir nódulos sólidos de nódulos en vidrio esmerilado en tomografías. Para ello:
- Se utilizan imágenes etiquetadas por expertos (sólido vs. vidrio esmerilado).
- La red neuronal procesa los datos de cada imagen (tamaño, bordes, píxeles, etc.).
- Tras pasar por múltiples “neuronas” (ecuaciones matemáticas), la red genera una predicción.
- Evaluamos su rendimiento mediante el área bajo la curva ROC (AUC o ABC). Cuanto más se acerque a 1, más robusto es el modelo.
Por ejemplo, una red neuronal abierta como TensorFlow permite realizar este entrenamiento.
Inteligencia artificial en acción
Un reciente artículo de Eric Topol resume múltiples aplicaciones de IA en medicina. Algunos ejemplos:
- Un algoritmo con AUC de 0,63 para diagnosticar neumonía en radiografías de tórax.
- Otro con AUC de 0,87 para detectar cardiomegalia.
- En dermatología, un algoritmo entrenado para diagnosticar melanoma cutáneo logró un AUC de 0,86, frente a 0,79 obtenido por dermatólogos certificados.
Más allá de la precisión, lo sorprendente es la velocidad: en 1–2 segundos una red neuronal puede analizar una imagen. Ningún humano puede competir en este aspecto.
Estos mismos principios explican cómo Facebook reconoce rostros con gran exactitud o cómo los autos autónomos identifican obstáculos en el camino.
Reflexión final
La inteligencia artificial tiene un potencial enorme en medicina. ¿Reemplazará a los médicos? Esa es una pregunta compleja, que no puede responderse con un simple “sí” o “no”.
Lo que sí parece claro es que la IA potenciará la calidad de la medicina, permitirá diagnósticos más rápidos y precisos y, posiblemente, contribuirá a mejorar la salud de millones de personas.
Para quienes quieran profundizar, recomiendo el curso online de Andrew Ng, uno de los pioneros en el campo de la inteligencia artificial.