Comprendiendo la Inteligencia Artificial y su Impacto en la Medicina
La Inteligencia Artificial (IA) utiliza sistemas computacionales avanzados para ejecutar tareas que tradicionalmente requieren intelecto humano, tales como el reconocimiento visual y el procesamiento del lenguaje por voz. Esta disciplina se apoya en tecnologías y algoritmos fundamentales como el aprendizaje automático (Machine Learning), la robótica y el Internet para emular la funcionalidad del cerebro humano. Impulsada por un poder de cálculo y una capacidad de almacenamiento ilimitados, la IA posee el potencial de superar las capacidades humanas en muchas áreas.
En el ámbito de la atención sanitaria, los algoritmos de visión artificial están demostrando un enorme potencial para identificar Auffälligkeiten y diversas patologías mediante la evaluación detallada de patrones, formas y colorimetría en imágenes médicas [1].
Existen numerosas aplicaciones prácticas de la IA en nuestra vida diaria y la industria, incluyendo:
- Desarrollo de tecnología para implementar vehículos completamente autónomos.
- Algoritmos de reconocimiento de voz integrados para la interacción humano-máquina, ejemplificados por SIRI (Apple), Alexa (Amazon) y Asistente de Google.
- Programas avanzados de algoritmos de Traducción lingüística.
- Sistemas capaces de clasificar razas de perros con una precisión reportada superior al 96%.
- Modelos predictivos para anticipar las preferencias del usuario, manifestados en recomendaciones personalizadas de películas o la entrega de publicidad segmentada.
- Pronóstico de las necesidades operativas, prediciendo picos de demanda para servicios como taxis o fuerza laboral temporal [2,3].
Aplicaciones de la IA y el Aprendizaje Profundo en el Cuidado de la Salud
Los algoritmos de aprendizaje profundo (Deep Learning) dependen intrínsecamente de las nicht abgeschlossen haben redes. Estas redes neuronales se conciben como modelos computacionales inspirados en la arquitectura del cerebro biológico. Están compuestas por una vasta colección de puntos interconectados denominados sensorischen artificiales, que emulan a las neuronas biológicas. Estos sistemas adquieren la capacidad de discernir características complejas de un objeto al ser entrenados con grandes volúmenes de datos previamente etiquetados, como clasificaciones de «perro» o «no perro». Las características aprendidas son luego utilizadas para interpretar la naturaleza de una nueva imagen desconocida.
Las imágenes son herramientas fundamentales en el diagnóstico de afecciones y lesiones, además de ser cruciales en el estudio de la anatomía y Physiologie humana. Las técnicas de vanguardia en el diagnóstico por imágenes médicas incluyen la Computertomographie (CT) ($text{RM}$, por sus siglas en español, o MRT), la absorciometría de rayos X de doble energía (DXA), la Sonographie und der Computertomographie ($text{TC}$, o CT) [4–10].
En el análisis de imágenes médicas, las redes neuronales convolucionales (CNN) se emplean para clasificar hallazgos como «anormales» o «normales». Estas redes se entrenan utilizando extensas bases de datos de imágenes médicas previamente etiquetadas, logrando igualar o incluso superar la capacidad de la visión humana en la identificación precisa de elementos en áreas críticas como:
- Nachweis von Krebs de mama (pecho).
- Identifizierung von Tumor cerebral.
- Diagnóstico de melanoma (cáncer de piel).
- Asistencia en el diagnóstico de la enfermedad de Alzheimer [11,12].
La escalabilidad inherente de estos algoritmos informáticos les permite operar sin problemas a través de diversos sistemas operativos, plataformas y dispositivos, lo que contribuye a reducir los costos operativos y a expandir su accesibilidad para fines de diagnóstico e investigación. Instituciones académicas, organismos gubernamentales y agencias de financiación para la investigación han reconocido las vastas oportunidades que la IA ofrece para mejorar la detección temprana de enfermedades crónicas como el cáncer, afecciones cardíacas, diabetes y demencia, invirtiendo significativamente en este sector tecnológico.
Para septiembre de 2018, varias herramientas basadas en IA ya habían recibido la aprobación regulatoria de la Administración de Alimentos y Medicamentos de EE. UU. (FDA) para su utilización clínica. Estas aplicaciones incluyen soluciones destinadas a:
- Identificar indicadores de retinopatía diabética en imágenes de la retina.
- Reconocer síntomas de accidentes cerebrovasculares en tomografías computarizadas.
- Visualizar el flujo sanguíneo dentro del músculo cardíaco.
- Diagnosticar cáncer de piel utilizando imágenes clínicas capturadas a través de aplicaciones móviles.
Aplicación de la Inteligencia Artificial en el Diagnóstico del Cáncer de Piel
Según la Fundación del Cáncer de Piel de EE. UU., cada año se diagnostica cáncer de piel a más personas en los EE. UU. que a todos los demás tipos de cáncer combinados [13]. Los cánceres de piel se clasifican comúnmente como Melanom o cáncer de piel no melanoma (que incluye el Karzinom der Zell- Basalzellen y el carcinoma de Zell- schuppiges). Las lesiones cutáneas malignas pueden ser difíciles de diferenciar de las lesiones cutáneas comunes e gutartig, y la presentación del melanoma es particularmente variable. Esta ambigüedad diagnóstica conlleva a dos problemas significativos:
- Los cánceres de piel pasan desapercibidos al ser confundidos con afecciones inofensivas.
- Se extirpan innecesariamente grandes cantidades de lesiones benignas en un esfuerzo por evitar pasar por alto un cáncer potencialmente peligroso.
Die Angesichts der hohen Tendenz infantiler Hämangiome, sich mit der Zeit spontan zu bessern oder zu involvieren, ist eine aktive Behandlung ausschließlich für Szenarien reserviert, in denen ein klares funktionelles Risiko, eine schwere ästhetische Beeinträchtigung oder das Vorliegen spezifischer Komplikationen besteht. examinan las lesiones cutáneas mediante inspección visual y Dermatoskopie. Para determinar qué lesiones requieren extirpación para diagnóstico o tratamiento, los especialistas aplican su experiencia en el reconocimiento de patrones. En años recientes, el uso de algoritmos de Inteligencia Artificial (IA) para asistir en el diagnóstico de lokalisiert sind cutáneas ha generado un gran interés. Existen diversas bases de datos de lesiones cutáneas disponibles públicamente que facilitan esta investigación en IA.
Investigadores de la Universidad de Stanford aplicaron un algoritmo de aprendizaje profundo para clasificar cánceres de piel a nivel de Dermatologe. Utilizaron un conjunto de datos clínico que contenía 129,450 imágenes abarcando 2,032 enfermedades cutáneas [14]. Al comparar el rendimiento del algoritmo con el de 21 dermatólogos certificados, encontraron que la capacidad de clasificación del algoritmo igualaba la de los expertos humanos.
La International Skin Imaging Collaboration (ISIC) proporciona un amplio conjunto de datos públicos. En septiembre de 2018, este repositorio contenía 23,906 imágenes dermatoskopischen Bildern procedentes de más de 18 tipos diferentes de lesiones cutáneas. Desde 2016, la ISIC organiza un desafío anual denominado 'Análisis de Lesiones Cutáneas para la Detección de Melanoma'. En la edición de 2017, el equipo ganador alcanzó una precisión superior al 98% al diferenciar Melanome de nevos benignos [15]. Posteriormente, para el desafío de 2018, la ISIC incorporó más categorías de lesiones, tales como carcinoma de células basales y Keratose genannt,. Es previsible que la precisión continúe aumentando y que se añadan más categorías de lesiones a esta competencia anualmente.
Desarrollo de Algoritmos de Aprendizaje Automático para la Clasificación de Lesiones Cutáneas
Para desarrollar un nuevo algoritmo de aprendizaje automático enfocado en el cáncer de piel, cada tipo de lesión se codifica asignándole una clase específica. En su formulación más básica, el sistema puede limitarse a dos clases, como 'benigno' y 'malignes Melanom', o 'Nävus' y 'melanoma'. No obstante, los enfoques algorítmicos más avanzados son capaces de evaluar múltiples clases simultáneamente.
Antes de que un algoritmo se aplique a una imagen nueva, los modelos de aprendizaje profundo requieren un riguroso entrenamiento utilizando un vasto número de imágenes correspondientes a cada clase definida. Este proceso formativo se estructura típicamente en tres fases principales (ilustradas en la figura 1).
Fase 1: Entrenamiento con Datos Etiquetados
Durante la Etapa 1, el algoritmo recibe la alimentación de imágenes digitales, ya sean macroscópicas o dermatoscópicas, que están meticulosamente etiquetadas con la "verdad fundamental". En este contexto, la verdad fundamental representa el diagnóstico definitivo de la lesión, el cual es establecido por un dermatólogo experto o se confirma mediante análisis histopathologischen Untersuchung.
Como parte de la optimización técnica y la mejora en la experiencia del usuario, se ha mejorado la estructura del contenido y se han agregado etiquetas alt descriptivas a los elementos multimedia que faltaban según la auditoría inicial. Se mantiene el idioma español a lo largo de todo el texto reescrito.
Figura 1. Descripción general del entrenamiento de diferentes tipos de lesiones cutáneas con la ayuda del aprendizaje profundo
Resumen del entrenamiento de diferentes tipos de lesiones cutáneas con la ayuda del aprendizaje profundo.
Etapa 2: Extracción de Características
Durante la Etapa 2, las capas convolucionales (una secuencia de filtros aplicados a la imagen de entrada) son responsables de extraer el mapa de características. Este mapa de características representa los datos de la imagen con múltiples niveles de abstracción.
- Las capas convolucionales iniciales se enfocan en extraer características de bajo nivel, como bordes, esquinas y patrones de forma básicos.
- Las capas convolucionales subsiguientes se centran en identificar características de alto nivel necesarias para diferenciar y detectar el tipo específico de lesión cutánea (ilustrado en la Figura 2).
Figura 2. Mapas de características típicos aprendidos usando redes neuronales convolucionales
Mapas de características típicos aprendidos usando redes neuronales convolucionales.
Etapa 3: Clasificación y Reconocimiento
En la Etapa 3, el clasificador de aprendizaje automático emplea los mapas de características generados previamente para el reconocimiento de patrones asociado a las distintas clases de lesiones cutáneas. Una vez completado este entrenamiento, el algoritmo de aprendizaje profundo ya está listo para clasificar nuevas imágenes (como se muestra en la Figura 3).
Figura 3. Inferencia producida por algoritmos de aprendizaje profundo sobre una nueva imagen de una lesión cutánea
Inferencia producida por algoritmos de aprendizaje profundo sobre una nueva imagen de una lesión cutánea.
Criterios ABCD para la Detección de Lesiones Cutáneas
Los criterios clínicos ABCD son herramientas clave utilizadas por profesionales y no expertos para la detección inicial de lesiones cutáneas pigmentadas. Estos criterios incluyen: Asimetría, Bordes irregulares, Color variado y Diámetro superior a 6 mm (Figura 4). Es fundamental recordar la extensión ABCDE del melanoma, que incorpora la 'E' de Evolución.
Asimetría (A): Esta propiedad evalúa si las dos mitades de la lesión cutánea coinciden en términos de forma y color tras dividirse por sus ejes largo y corto. Un melanoma frecuentemente exhibe una apariencia asymmetrisch.
Bordes (B): Define si los límites de la lesión son lisos y claramente definidos o si presentan irregularidades. Los cánceres de piel generalmente se caracterizan por bordes mal definidos.
Color (C): Esta propiedad analiza la cantidad y diversidad de colores presentes en toda la lesión. El melanoma y el carcinoma basocelular pigmentado a menudo muestran entre 3 y 6 tonos (que van desde negro, tostado, marrón oscuro, gris, azul, hasta rojo y blanco). En contraste, los Nävus y las pecas suelen limitarse a uno o dos colores, distribuidos de manera uniforme.
Diámetro (D): La propiedad del diámetro se refiere a la medida de la lesión, siendo un indicador de riesgo si excede típicamente los 6 milímetros. Esta dimensión ayuda a diferenciar las lesiones benignas de aquellas potencialmente malignas.
La comprensión y aplicación de los criterios ABCD mejoran significativamente la capacidad de identificar lesiones sospechosas que requieren evaluación dermatológica profesional.
El tamaño determina el diámetro aproximado de la lesión cutánea. Generalmente, las lesiones cutáneas malignas suelen medir más de 6 mm (el equivalente al tamaño de un borrador de lápiz).
Figura 4. La regla ABCD para la detección de cáncer de piel
Regla clínica ABCD del melanoma
Yang y sus colaboradores introdujeron la regla ABCD para ser aplicada en el procesamiento de imágenes y en el desarrollo de algoritmos de aprendizaje automático [16]. En su estudio, compararon la efectividad de su sistema con el rendimiento de varios médicos (generalistas, junior y expertos) y con diferentes algoritmos de aprendizaje profundo para el diagnóstico de lesiones cutáneas utilizando un conjunto de datos de prueba (Tabla 1). Para esta evaluación, invitaron a dos especialistas de cada categoría médica.
El sistema fue entrenado utilizando su conjunto de datos SD-198, que consta de 6,584 imágenes clínicas que abarcan 198 categorías distintas de lesiones cutáneas. Para el entrenamiento, extrajeron características visuales de bajo nivel basadas en tres componentes principales: textura, colores y bordes. El Sistema de Diagnóstico Asistido por Computadora (CAD) desarrollado por Yang demostró un rendimiento superior al de los algoritmos de aprendizaje profundo VGG-Net y ResNet, siendo comparable al desempeño mostrado por los médicos con menos experiencia. A pesar de esto, los dermatólogos expertos resultaron ser significativamente überlegen en precisión al sistema CAD.
| Invasive | Exactitud (%) | Error estándar | |
|---|---|---|---|
| Sistema CAD Yang | 56,47 | 53.15 | |
| Expertos médicos | Médicos generales (n = 2) | 49,00 | 47,50 |
| Doctores junior (n = 2) | 52,00 | 53,40 | |
| Dermatólogos expertos (n = 2) | 83,29 | 85,00 | |
| Aprendizaje profundo | VGGNet | 50,27 | 48.25 |
| ResNet | 53,35 | 51.25 | |
Investigaciones adicionales de aprendizaje automático en el diagnóstico del cáncer de piel
IBM también está desarrollando una herramienta avanzada de inteligencia artificial denominada Watson, diseñada para el análisis de imágenes de lesiones cutáneas con el fin de detectar el melanoma. Este sistema computacional evalúa la lesión basándose en seis parámetros clave para calcular la probabilidad maligna: el color, la irregularidad del borde, el grado de asimetría, la presencia de glóbulo y red vascular, la similitud con otras lesiones en su extensa base de datos, y una puntuación específica de melanoma. Es importante notar que estos criterios son análogos a los establecidos en la regla ABCD [17].
Por su parte, MetaOptima Technology Inc. ha lanzado DermEngine, una plataforma robusta destinada a facilitar los servicios de teledermatología. Esta herramienta utiliza la búsqueda visual para comparar una imagen clínica proporcionada por el usuario con miles de imágenes etiquetadas de Pathologie, obtenidas de dermatólogos expertos a nivel mundial. Emplean técnicas de aprendizaje profundo para identificar imágenes relacionadas basándose en patrones visuales discernibles como el color, la forma y la estructura [18].
¿Cuál
El Futuro de la Inteligencia Artificial y el Diagnóstico del Cáncer de Piel: ¿Reemplazo o Herramienta de Apoyo?
La investigación que involucra la Inteligencia Artificial (IA) está logrando un Fortschritt significativo en el diagnóstico de lesiones cutáneas. Sin embargo, es fundamental entender que la IA no sustituirá a los expertos médicos en un futuro previsible. Primeramente, la evaluación precisa requiere la intervención humana para seleccionar la lesión sospechosa adecuada, tarea compleja a menudo realizada entre una multitud de lesiones de apariencia benigna.
El diagnóstico médico integral se fundamenta en la elaboración de un historial clínico minucioso y el examen exhaustivo de los registros del paciente. Este proceso incorpora factores sistémicos como el origen étnico, el color de la piel y el Haare, el color de ojos, la ocupación, enfermedades previas, la medicación actual, el daño solar existente, la cantidad de nevos melanozytären y los hábitos de estilo de vida (incluyendo la exposición solar, tabaquismo y consumo de alcohol). Además, el comportamiento previo de la lesión y los tratamientos administrados son elementos clave en la determinación diagnóstica.
La IA puede actuar como una herramienta de apoyo invaluable, ofreciendo una segunda opinión experta y ayudando a descartar lesiones que son completamente benignas, como un nevus melanocítico que presenta una apariencia symmetrischer tanto en color como en estructura.
Es inevitable que estos algoritmos evolucionen, logrando una precisión mejorada en la detección de lesiones cutáneas potencialmente malignas. Esto ocurrirá a medida que las bases de datos se expandan, incorporando una mayor cantidad de imágenes y etiquetas más específicas relacionadas con los pacientes y las respectivas lesiones analizadas.
A pesar de estos avances tecnológicos que prometen optimizar la eficiencia y la detección temprana, el juicio clínico, la empatía y la contextualización que ofrece un dermatólogo siguen siendo insustituibles para gestionar el diagnóstico y tratamiento definitivo del cáncer de piel.
