Inteligencia artificial para la detección del cáncer

El objetivo de este artículo es el de dar algo de visibilidad y agradecimiento a los creadores de aplicaciones de inteligencia artificial para la detección del cáncer. La inteligencia artificial no sólo se está utilizando en el diagnóstico y tratamiento del cáncer, sino que también está siendo usada en muchísimas enfermedades gracias al auge del sector biomédico en los últimos años. La unión de los conocimientos médicos junto a las técnicas de inteligencia artificial es algo trivial, en el sentido en que las aplicaciones son directas y aportan un valor directo y determinista.

En este post voy a hablar de las aplicaciones de la inteligencia artificial en la detección y cómo se realizan ya que, aunque hay muchos artículos que hablan sobre las aplicaciones, a alguien técnico que quiera entrar en el sector a lo mejor le cuesta aterrizar las técnicas.

Redes neuronales aplicadas a la  detección del cáncer

Una de las aplicaciones más destacadas y populares de la aplicación de la inteligencia artificial a la detección del cáncer es la que se realiza por medio de imágenes. Aunque la detección de cáncer usando imágenes no sea la única aplicación de la inteligencia artificial que haya (también es posible realizar detecciones a partir de datos estructurados con problemas supervisados comunes), es la que más fama tiene. Veamos cuál es el funcionamiento de este tipo de algoritmos utilizando un ejemplo, el de la detección del cáncer de mama.

La detección del cáncer de mama utilizando algoritmos de aprendizaje automático ha sido un tema del que se ha hablado mucho últimamente. Google Health hace unos meses presentó un sistema de inteligencia artificial que detectaba el cáncer de mama de manera temprana. En ese estudio, en el que utilizaron datos de más de 90 mil mujeres, la inteligencia artificial pudo predecir mejor que los expertos ya que tenía bastantes menos errores.

Os voy a mostrar cómo funcionan generalmente estos algoritmos de detección de cáncer por imágenes. En la imagen siguiente podéis ver un sistema completo para la detección de cáncer de mama a partir de imágenes de radiografías.

 

 

El sistema se basa en la clasificación de imágenes utilizando redes neuronales profundas (también denominadas deep learning). Estas redes neuronales profundas son de un tipo determinado que permiten tratar imágenes de una forma bastante eficiente. Son las llamdas redes neuronales convolucionales.

Sin entrar en aspectos técnicos, que no es el objetivo de este post, vamos a ver a alto nivel cómo funcionaría el sistema y cómo se aplicaría. El sistema, después de ser entrenado, recibiría una imagen de una radiografía de la que no se sabe su clase. Utilizando un modelo de aprendizaje automático predeciría la probabilidad de que esa región tenga cáncer o no. Obtendría una predicción cáncer o no cáncer.

Hasta aquí estupendo, pero seguramente llegase el experto radiólogo y preguntase «¿Por qué este modelo de inteligencia artificial me dice que hay cáncer y en qué se basa? No puedo fiarme así, sin más, de un modelo de este tipo». En este punto es donde entra lo que se denomina la explicabilidad de los algoritmos de aprendizaje automático.

En la siguiente imagen os pongo un ejemplo de cómo se le dota de explicabilidad a este tipo de modelos en el ámbito biomédico.

 

Las redes neuronales pueden obtener lo que se denominan como mapas de activación. Esto no es otra cosa que una serie de mapas de calor que representan las zonas en las que el modelo se ha basado para realizar una determinada predicción. En la anterior imagen, en verde se encuentran las zonas en las que el modelo se ha basado para determinar que esa imagen no es cancerígena. En rojo, las zonas en las que se ha basado para determinar que sí es cancerígena. De este modo, el experto podría ver directamente las partes que el modelo supone importantes en su predicción.

Querría destacar que, desde mi punto de vista, los modelos y sistemas de inteligencia artificial y aprendizaje automático no deben ser un sustituto a los expertos en medicina. Deben ser un complemento útil con el que mejorar los resultados y la eficiencia en el trabajo de los expertos. En la siguiente imagen pongo un ejemplo de cómo funcionarían estos sistemas. La imagen es de la detección de neumonía pero el funcionamiento es idéntico en la detección de cáncer. A partir de imágenes, se utiliza un algoritmo de machine learning para predecir y obtener los mapas de calor que le den interpretaciones a esas predicciones. Posteriormente, un experto radiólogo decidiría a partir de las imágenes originales y de las predicciones del modelo.

 

Hasta aquí mi post de hoy, espero que os haya quedado algo más claro cómo funcionan estos sistemas que están cambiando tanto el panorama biomédico.

Recuerda que si te gusta este artículo nos puedes seguir por redes sociales! 🙂

 

 

Si te ha sido de utilidad este post, te agradecería que me apoyases en Patreon (donando una cantidad aunque sea poca ya sea una vez, o apoyándome mensualmente). Tener una web, dominio, hosting, no es gratis y me apoyas a seguir ayudando con la difusión de educación libre. Apóyame en Patreon! Mil gracias!!