Inteligencia artificial en dermatología

overview-of-training-of-different-types-of-skin-lesions-with-the-help-of-deep-learning__protectwyjqcm90zwn0il0_focusfillwzi5ncwymjisingildbd-3538757-1463163-png-8652578

Índice de contenidos

¿Qué es la inteligencia artificial?

La inteligencia artificial (IA) emplea sistemas informáticos para realizar tareas que normalmente requieren inteligencia humana, como el reconocimiento de voz y la percepción visual. La IA se basa en tecnologías y algoritmos como la robótica, el aprendizaje automático e Internet para imitar el funcionamiento del cerebro humano. Con poder computacional y capacidad de almacenamiento ilimitados, la IA tiene el potencial de superar a los seres humanos.

En medicina, los algoritmos de visión por computadora tienen el potencial de reconocer anormalidades y enfermedades al evaluar el color, la forma y los patrones [1].

Algunos ejemplos de aplicaciones de IA incluyen:

  • Tecnología para permitir vehículos autónomos
  • Algoritmos de reconocimiento de voz para interactuar con humanos, como SIRI de Apple, Alexa de Amazon y Google Assistant
  • Idioma Traducción algoritmos
  • Identificación de razas de perros (se ha informado que un algoritmo ha logrado una precisión de más del 96%)
  • Predicción de las preferencias del usuario, como una lista de películas o anuncios dirigidos.
  • Predicción de periodos de alta demanda de taxi o mano de obra flexible [2,3].

¿Cómo se utilizan la inteligencia artificial y el aprendizaje profundo en medicina?

Los algoritmos informáticos de aprendizaje profundo se basan en neural redes. Las redes neuronales se basan en un modelo computacional inspirado en el funcionamiento del cerebro biológico. Una gran cantidad de nodos conectados llamados artificiales. neuronas son similares a las neuronas biológicas del cerebro. Estos sistemas aprenden las características de un objeto mediante la evaluación de datos etiquetados manualmente, como «perro» o «no perro». Las características aprendidas se pueden utilizar para inferir la naturaleza de una nueva imagen.

Las imágenes se utilizan ampliamente para diagnosticar lesiones y enfermedades y en estudios de anatomía humana y fisiología. Las técnicas avanzadas de imágenes médicas incluyen imagen de resonancia magnética (Resonancia magnética), absorciometría dual de rayos X, ecografíay tomografía computarizada (Connecticut) [4–10].

En las imágenes médicas, las redes neuronales convolucionales se utilizan para determinar «anormal» o «normal». Se entrenan en grandes bases de datos etiquetadas de imágenes médicas y igualan o superan la visión humana para la detección de objetos en las imágenes en áreas como:

  • Pecho cáncer
  • Cerebro tumor
  • Cáncer de piel
  • enfermedad de Alzheimer [11,12].

Estos algoritmos informáticos serán escalables a múltiples dispositivos, plataformas y sistemas operativos, reduciendo su costo y aumentando su disponibilidad para diagnóstico e investigación. Las universidades, los gobiernos y las agencias de financiación de la investigación han reconocido las oportunidades para mejorar el diagnóstico temprano de enfermedades, como el cáncer, las enfermedades cardíacas, la diabetes y la demencia, y están invirtiendo fuertemente en el sector.

Las técnicas de IA aprobadas por la Administración de Drogas y Alimentos de los EE. UU. (FDA) para uso clínico en septiembre de 2018 incluyen productos para:

  • Identificar signos de retinopatía diabética en imágenes retinianas
  • Reconocer signos de accidente cerebrovascular en tomografías computarizadas
  • Visualice el flujo sanguíneo en el corazón.
  • Detecte el cáncer de piel a partir de imágenes clínicas capturadas con una aplicación móvil.

¿Cómo se utiliza 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 todos los demás cánceres combinados [13]. Los cánceres de piel se clasifican comúnmente como melanoma o cáncer de piel no melanoma (el queratinocítico cánceres basal célula carcinomay escamoso carcinoma celular). Los cánceres de piel pueden ser difíciles de distinguir de los comunes. benigno piel lesionesy la aparición del melanoma es especialmente variable. Esto significa que:

  • Los cánceres de piel pueden pasarse por alto porque se cree que son inofensivos
  • Un gran número de lesiones inofensivas se extirpan quirúrgicamente de forma innecesaria para no pasar por alto un cáncer potencialmente peligroso.

Dermatólogos examinar las lesiones cutáneas mediante inspección visual y dermatoscopia. Utilizan su experiencia en el reconocimiento de patrones para determinar qué lesiones cutáneas deben extirparse para diagnóstico o tratamiento. En los últimos años, ha habido un gran interés en utilizar algoritmos de IA para ayudar lesión diagnóstico. Hay una serie de conjuntos de datos de lesiones cutáneas que están disponibles públicamente para ayudar en la investigación de la IA.

Investigadores de la Universidad de Stanford realizaron una dermatólogo-clasificación a nivel de los cánceres de piel con un algoritmo de aprendizaje profundo en un conjunto de datos de 129.450 imágenes clínicas que incluían 2.032 enfermedades de la piel [14]. También probaron su algoritmo contra 21 dermatólogos certificados por la junta y encontraron que el rendimiento del algoritmo en la clasificación estaba a la par con sus expertos.

La International Skin Imaging Collaboration (ISIC) ofrece un extenso conjunto de datos públicos que en septiembre de 2018 tenía 23.906 dermatoscópico imágenes de más de 18 tipos de lesiones cutáneas. Desde 2016, la CIIU también ha realizado un desafío anual de 'Análisis de lesiones cutáneas para la detección de melanomas'. El ganador de su desafío en 2017 logró más del 98% de precisión al distinguir melanomas de lunares benignos [15]. La CIIU luego incluyó más categorías de lesiones cutáneas en el desafío de 2018, como el carcinoma de células basales y actínico queratosis. Podemos esperar una mayor precisión y más categorías de lesiones cutáneas que se agregarán a la competencia cada año.

Algoritmos de aprendizaje automático para lesiones cutáneas

Para crear un nuevo algoritmo de aprendizaje automático para el cáncer de piel, a cada tipo de lesión cutánea se le asigna una clase. En su forma más simple, puede haber solo dos clases; por ejemplo, 'benigno' y 'maligno', o'nevo'y' melanoma '. Los algoritmos más sofisticados pueden evaluar múltiples clases.

Antes de probar un algoritmo con una nueva imagen, los algoritmos de aprendizaje profundo se entrenan en una gran cantidad de imágenes en cada clase. El proceso consta de tres etapas principales (figura 1).

Nivel 1

En la etapa 1, el algoritmo se alimenta con digital macroscópico o imágenes dermatoscópicas etiquetadas con la "verdad fundamental". (La verdad fundamental en este contexto es el diagnóstico de la lesión, que es asignado por un dermatólogo experto o es el resultado de histopatológico examen.)

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.

Resumen del entrenamiento de diferentes tipos de lesiones cutáneas con la ayuda del aprendizaje profundo.

Etapa 2

En la etapa 2, las capas convolucionales (una serie de filtros aplicados a la entrada, como una imagen) extraen el mapa de características de las imágenes. Un mapa de características representa datos con múltiples niveles de abstracción.

  • Las capas convolucionales iniciales extraen características de bajo nivel como bordes, esquinas y formas.
  • Las capas convolucionales posteriores extraen características de alto nivel para detectar el tipo de lesión cutánea (figura 2).
Figura 2. Mapas de características típicos aprendidos usando redes neuronales convolucionales

Mapas de características típicos aprendidos usando redes neuronales convolucionales.

Mapas de características típicos aprendidos usando redes neuronales convolucionales.

Etapa 3

En la etapa 3, el clasificador de aprendizaje automático utiliza los mapas de características para el reconocimiento de patrones de diferentes clases de lesiones cutáneas. El algoritmo de aprendizaje profundo ahora se puede utilizar para clasificar una nueva imagen (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.

Inferencia producida por algoritmos de aprendizaje profundo sobre una nueva imagen de una lesión cutánea.

Criterios ABCD

Los criterios clínicos ABCD utilizados por no expertos para detectar pigmentado las lesiones cutáneas son UNAsimetría, segundoorden irregular, Cvariación de color, y rediámetro superior a 6 mm (figura 4). Ver ABCDE de melanoma, que incluye 'E' para mivolución.

R: La propiedad de asimetría verifica si dos mitades de la lesión cutánea coinciden (o no) en términos de color y forma. Las lesiones se dividen en dos mitades según el eje largo y se dividen de nuevo según el eje corto. Es probable que el melanoma tenga un asimétrico apariencia.

B: La propiedad del borde define si los bordes de la lesión cutánea son suaves y bien definidos o no. Los cánceres de piel tienden a tener bordes irregulares.

C: la propiedad del color evalúa el número y la variabilidad de los colores a lo largo de la lesión cutánea. El melanoma y el carcinoma de células basales pigmentado a menudo incluyen tonos de 3 a 6 colores (negro, tostado, marrón oscuro, gris, azul, rojo y blanco), mientras que nevos y las pecas tienden a tener solo uno o dos colores, que están distribuidos simétricamente.

D: La propiedad del diámetro mide el diámetro aproximado de la lesión cutánea. El diámetro de las lesiones cutáneas malignas suele ser superior a 6 mm (el tamaño de un borrador de lápiz).

Figura 4. La regla ABCD para el cáncer de piel

Regla clínica ABCD del melanoma

Regla clínica ABCD del melanoma

Yang y sus colegas propusieron adoptar la regla ABCD para el procesamiento de imágenes y los algoritmos de aprendizaje automático [16]. En su trabajo, compararon el rendimiento de su sistema con el de médicos (general, junior y experto) y con algoritmos de aprendizaje profundo para el diagnóstico de las lesiones cutáneas que prueban el conjunto de datos (tabla 1). Invitaron a dos médicos de cada categoría para realizar esta tarea.

Entrenaron su sistema en su conjunto de datos SD-198 de enfermedades de la piel de 6.584 imágenes clínicas de 198 categorías de lesiones diferentes, y extrajeron características de bajo nivel de tres componentes visuales: textura, colores y bordes. El sistema de dispositivos asistidos por computadora (CAD) de Yang funcionó mejor que el algoritmo de aprendizaje profundo VGG-Net y ResNet y fue comparable con el rendimiento de los médicos principiantes. Sin embargo, los dermatólogos expertos fueron significativamente superior al sistema CAD.

Evaluación del desempeño de métodos computarizados y médicos en un conjunto de pruebas de 3292 imágenes
Métodos 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

Otras investigaciones de aprendizaje automático sobre el cáncer de piel

IBM también está trabajando en una herramienta de inteligencia artificial llamada Watson para analizar imágenes de lesiones cutáneas para la detección de melanoma. Su dispositivo utiliza seis puntos clave para analizar y determinar la probabilidad de melanoma: color, irregularidad del borde, nivel de asimetría, glóbulo y red, similitud con imágenes de lesiones cutáneas en su base de datos y puntuación de melanoma; estos criterios son similares a los criterios ABCD [17].

MetaOptima Technology Inc. ha lanzado su plataforma DermEngine para brindar un servicio de teledermatología. Su herramienta de búsqueda visual compara una imagen enviada por el usuario con imágenes similares en una base de datos de miles de patología-imágenes etiquetadas obtenidas de dermatólogos expertos de todo el mundo. Las técnicas de aprendizaje profundo se utilizan para buscar imágenes relacionadas en función de características visuales como el color, la forma y el patrón. [18].

¿Cuál es el futuro de la inteligencia artificial y el diagnóstico de cáncer de piel?

La investigación que involucra la IA está haciendo Progreso en el diagnóstico de lesiones cutáneas. Sin embargo, la IA no reemplazará a los expertos médicos en un futuro próximo. En primer lugar, se necesita un ser humano para seleccionar la lesión adecuada para la evaluación, a menudo entre cientos de lesiones sin importancia.

El diagnóstico médico se basa en realizar un cuidadoso historial médico y examinar los registros del paciente. Tiene en cuenta el origen étnico del paciente, la piel, cabello color de ojos, ocupación, enfermedad, medicamentos, daño solar existente, el número de melanocítico nevos y hábitos de estilo de vida (como la exposición al sol, el tabaquismo y la ingesta de alcohol). El comportamiento y el tratamiento previo de la lesión también son claves para el diagnóstico.

La IA puede ofrecer una segunda opinión y se puede utilizar para descartar una lesión completamente benigna, como un nevus melanocítico que es simétrico en color y estructura.

Estos algoritmos evolucionarán inevitablemente con una precisión mejorada en la detección de lesiones cutáneas potencialmente malignas, a medida que las bases de datos se amplíen para incluir más imágenes y más etiquetas específicas de pacientes y lesiones.