La inteligencia artificial está preparada para revolucionar la medicina. Una visión general del campo, con aplicaciones seleccionadas en oftalmología.
Desde la parte posterior del ojo hasta la parte frontal, se espera que la inteligencia artificial (IA) proporcione a los oftalmólogos nuevas herramientas automatizadas para diagnosticar y tratar enfermedades oculares. Esta transformación está siendo impulsada en parte por un aumento reciente en la atención al potencial médico de AI por parte de grandes jugadores en el mundo digital como Google e IBM. Pero, en los círculos de la IA oftálmica, los análisis computarizados se ven como el camino hacia formas más eficientes y más objetivas de interpretar el flujo de imágenes que producen las prácticas modernas de cuidado ocular, según los oftalmólogos involucrados en estos esfuerzos.
Comenzando con retina
Los algoritmos informáticos más prometedores se encuentran en el campo de las enfermedades de la retina. Por ejemplo, investigadores de la iniciativa Google Brain informaron en 2016 que su sistema de IA de “aprendizaje profundo” se había enseñado a detectar con precisión la retinopatía diabética (DR) y el edema macular diabético en las fotografías del fondo de ojo. 1
Y la IA se está aplicando a otras afecciones de la retina, entre las que se incluyen la degeneración macular relacionada con la edad (DMAE), 2,3 retinopatía del prematuro (ROP), 4 y pseudodrusen reticular. 5
Pero la retina es solo el comienzo: los investigadores están desarrollando sistemas basados en la IA para detectar o evaluar mejor otras afecciones oftálmicas, como catarata pediátrica, 6 glaucoma, 7 queratoconos, 8 ectasias corneales, 9 y reconstrucción oculoplástica. 10
“Hay todo un espectro, desde la selección hasta la gestión completa, donde estos algoritmos pueden mejorar las cosas y hacerlas más objetivas. Hay muchas ocasiones en las que los médicos simplemente no están de acuerdo, pero un sistema de IA da la misma respuesta cada vez “, dijo Michael D. Abràmoff, MD, PhD, una figura líder en la exploración de AI para oftalmología que se encuentra en la Universidad de Iowa. en Iowa City.
|
OCT 3D. El grupo del Dr. Schmidt-Erfurth desarrolló un algoritmo de segmentación completamente automatizado para el límite vítreo posterior. Estas imágenes son del límite en pacientes con adherencia vitreomacular (panel izquierdo) y sin (panel derecho).
|
¿Dónde encajan los médicos?
Una de las preocupaciones más comunes que los oftalmólogos clínicos y otros médicos expresan sobre la IA es que los reemplazará. Pero Renato Ambrósio Jr., MD, PhD, quien ha estado trabajando en un algoritmo de aprendizaje automático para predecir el riesgo de ectasia después de la cirugía refractiva, 9 dijo que alienta a sus colegas a considerar la IA como una herramienta más en su arsenal de diagnóstico.
“Uso las herramientas desarrolladas por nuestro grupo para mejorar la caracterización de la susceptibilidad al ectasia en mi práctica diaria”, dijo el Dr. Ambrósio, de la Universidad Federal de São Paulo en São Paulo, Brasil. “Me ha permitido mejorar no solo la sensibilidad para detectar pacientes en riesgo, sino también la especificidad, lo que me permite proceder con la cirugía en pacientes que pueden haber sido considerados de alto riesgo por enfoques menos sofisticados”.
Software de alta potencia. Cuando estas herramientas estén listas para un uso clínico generalizado, los médicos no necesitarán convertirse en expertos en inteligencia artificial, ya que es probable que el software resida dentro de dispositivos como las máquinas de tomografía de coherencia óptica (OCT), dijo Ursula Schmidt-Erfurth, MD, MD, en la Universidad de Medicina de viena en viena, austria. Su grupo está trabajando en varios algoritmos de análisis de AMD.
“Un algoritmo automatizado es solo una herramienta de software, y el nuestro se basa en imágenes de OCT de rutina, [utilizando] las mismas máquinas de OCT que están disponibles en miles y miles de hospitales y oficinas privadas”, dijo el Dr. Schmidt-Erfurth. “Lo ideal sería que este software estuviera integrado en cada máquina que se vendiera, o que los oculistas pudieran comprarlo como complemento”.
|
EVALUACIÓN AUTOMÁTICA. Agrupamiento no supervisado de configuraciones de la interfaz vitreomacular en pacientes con oclusión de la vena retiniana (panel superior) y RVO central (panel inferior).
|
Fundamentos de AI
Aunque el término inteligencia artificial se originó en la década de 1950, el concepto seguía languideciendo en los límites de la informática hace dos décadas, dijo el Dr. Abràmoff. Él y otros querían tratar de repetir los mecanismos del cerebro humano con las “redes neuronales”, pero las computadoras disponibles no podían manejar la complejidad, dijo. Además, cualquiera que hablara de redes neuronales en ese momento era considerado un poco loco, dijo el Dr. Abràmoff. Como resultado, él y otros investigadores comenzaron a trabajar en sistemas expertos y en análisis automatizados de imágenes.
Hoy en día, hay una variedad de enfoques para construir sistemas de IA para detectar y medir automáticamente las características patológicas en las imágenes del ojo. Las etiquetas a veces se usan indistintamente; todos ellos de alguna manera analizan píxeles y grupos de píxeles en fotografías de fondo, o “voxels” tridimensionales en imágenes OCT.
Detectores automatizados simples. En la forma más simple de AI, los programadores proporcionan los descriptores matemáticos del software de las características a detectar, y un algoritmo basado en reglas busca estos patrones en las imágenes entrantes (“reconocimiento de patrones”). Los “golpes” positivos se combinan para producir un indicador de diagnóstico.
“Debido a que puede haber varios tipos de lesiones que está buscando, tiene muchos detectores de lesiones, y luego los combina en una salida de diagnóstico, lo que indica que se sospecha que este paciente tiene una enfermedad específica”, dijo el Dr. Abràmoff.
Aprendizaje automático básico. Al principio, los investigadores se dieron cuenta de que “era difícil escribir reglas que le dijeran a un algoritmo de computadora cómo ‘ver'”, dijo el Dr. Abràmoff. Como resultado, recurrieron al aprendizaje automático.
En este enfoque, al algoritmo se le dan algunas reglas básicas sobre cómo se ven las características de la enfermedad, junto con un “conjunto de entrenamiento” de imágenes de ojos afectados y no afectados. Los algoritmos examinan las imágenes para aprender sobre las diferencias.
Los primeros sistemas de aprendizaje automático se parecían al análisis de regresión a gran escala. Inicialmente, los operadores ajustaron los parámetros analíticos para mejorar el rendimiento del sistema. Más tarde, se instruyó a los algoritmos de aprendizaje automático para mejorar su precisión con las “redes vecinas”, es decir, mirando los píxeles adyacentes o grupos de píxeles para juzgar si juntos indicaban enfermedad.
Aprendizaje automático avanzado. Este tipo de estructura de aprendizaje automático consiste en una o dos capas interconectadas de pequeñas unidades informáticas llamadas “neuronas”, que imitan la estructura de múltiples capas de la corteza visual.
Las entradas a la primera capa son los mismos detectores de características de enfermedades utilizados en el aprendizaje automático básico. Sin embargo, las salidas de las neuronas en cada capa avanzan hacia la siguiente capa, y la capa final produce la salida de diagnóstico. Por lo tanto, la red neuronal aprende a asociar salidas específicas de detectores de características de enfermedad con una salida de diagnóstico.
Aprendizaje profundo con redes neuronales convolucionales (CNNs). El término “aprendizaje profundo” se usa porque hay múltiples capas interconectadas de neuronas, y porque requieren nuevos enfoques para entrenarlos. Esta última versión de la IA se parece más a “pensar”, porque las CNN aprenden a realizar sus tareas a través de la repetición y la autocorrección.
Un algoritmo CNN se enseña a sí mismo mediante el análisis de las intensidades de píxeles o vóxeles en un conjunto de entrenamiento etiquetado de imágenes calificadas por expertos, y luego proporciona una salida de diagnóstico en la capa superior. Si el diagnóstico del sistema es incorrecto, el algoritmo ajusta sus parámetros (denominados ponderaciones y que representan la fuerza sináptica) para disminuir el error. La red hace esto una y otra vez, hasta que la salida del sistema concuerda con la de los graduadores humanos.
Este proceso se repite muchas veces para cada imagen en el conjunto de entrenamiento. Una vez que el algoritmo se optimiza, está listo para trabajar en imágenes desconocidas.
Aprendizaje basado en la característica de la enfermedad frente al basado en la imagen (“caja negra”). Muchos investigadores de la IA oftalmológica prefieren diseñar sus algoritmos de aprendizaje automático basados en características clínicamente conocidas de la enfermedad, como hemorragias o exudados. Entonces, cuando un algoritmo de aprendizaje supervisado funciona, los científicos pueden verificar que su salida se basa en la presencia de las mismas características de imagen que identificaría un ser humano, y pueden ajustar el algoritmo si es necesario.
Sin embargo, el exitoso sistema que Google Brain reportó en 2016 fue un ejemplo de un sistema de caja negra sin supervisión, un enfoque que desconcierta a algunos MD e intriga a otros.
El algoritmo de aprendizaje profundo de Google aprendió a identificar correctamente las lesiones diabéticas en las fotografías, a pesar de que no se les dijo cómo se ven las lesiones, dijo Peter A. Karth, MD, MBA, un subespecialista vitreorretiniano de Eugene, Oregón, que es asesor de Google. Proyecto cerebral. “Lo que es tan emocionante con el aprendizaje profundo es que todavía no estamos seguros de lo que está mirando el sistema. “Todo lo que sabemos es que se está llegando a un diagnóstico correcto con la frecuencia con que lo hacen los oftalmólogos”, dijo.
|
¿FALSAS NEGATIVAS? El Dr. Abràmoff y sus colegas seleccionaron imágenes de la enfermedad (columna izquierda), las modificaron mínimamente mediante el proceso conocido como adversarialization, luego dieron las imágenes alteradas (columna derecha) a los sistemas de caja negra basados en imágenes para evaluar. Si bien los clínicos identificaron correctamente las imágenes alteradas como DR, los sistemas basados en imágenes tenían más probabilidades de clasificarlas como normales.
|
Foco de investigación: DR
Los algoritmos computarizados para la detección y el manejo de la RD son el foco principal de muchos equipos de oftalmólogos, informáticos y matemáticos de todo el mundo.
Una consecuencia de la telemedicina. La telemedicina para RD ayudó a sentar las bases de AI, dijo Michael F. Chiang, MD, de la Oregon Health & Science University en Portland.
El Dr. Chiang dijo que en una configuración de telemedicina típica, los datos del paciente y las fotografías se recopilan en una clínica de atención primaria y luego se envían a un oftalmólogo para su interpretación. “No es una extrapolación tan grande como para decir que, en lugar de enviar las fotografías del fondo a un experto humano en otro lugar, la clínica podría enviarlas a una máquina de IA y averiguar si este paciente necesita ver a un oculista o no. Los algoritmos podrían proporcionar un nivel inicial de detección de enfermedades “, dijo.
Un algoritmo de cribado híbrido. En el transcurso de la última década, el grupo del Dr. Abràmoff desarrolló un algoritmo de detección de DR patentado, llamado IDx-DR (IDx), que se está comercializando en asociación con IBM Watson Health en Europa. Los médicos europeos han podido acceder a una versión segura basada en servidor desde 2014.
Cuando se lanzó el software seguro basado en servidor, IDx-DR consistía en un algoritmo de aprendizaje automático supervisado que se basaba en descriptores matemáticos para reconocer las lesiones. Más recientemente, los diseñadores buscaron mejorar el rendimiento del algoritmo agregando CNN, y funcionó. 11
“Antes de esto, habíamos estado utilizando el aprendizaje automático para combinar salidas de todos los detectores diferentes en salidas de diagnóstico. Queríamos ver si, en lugar de usar ecuaciones matemáticas como detectores, podríamos usar CNN pequeñas para encontrar estas lesiones. Y eso llevó a una mejora estadísticamente significativa en el rendimiento “, dijo el Dr. Abràmoff.
Sensibilidad y especificidad. La sensibilidad del sistema híbrido (la principal medida de seguridad) fue del 96.8% (intervalo de confianza [IC] del 95%: 93.3% a 98.8%). Los científicos informaron que esto no era significativamente diferente de los resultados publicados anteriormente con el algoritmo sin mejorar (IC de 94.4% a 99.3%). 11 Pero el nivel de especificidad fue mucho mejor: 87.0% (IC 95%: 84.2% a 89.4%, vs. un IC de 55.7% a 63.0% anteriormente).
Esta alta especificidad es importante, porque IDx visualiza su algoritmo AI como una herramienta de detección, y una alta especificidad significa menos falsos positivos, dijo el Dr. Abràmoff. Los pacientes marcados por IDx podrían luego ser remitidos a un oftalmólogo para la confirmación manual del diagnóstico automatizado y para un posible tratamiento, dijo. Añadió que “IDx-DR sigue en fase de investigación en los Estados Unidos hasta que la FDA lo apruebe, lo que esperamos obtener después de que evalúen los resultados de nuestro estudio fundamental recientemente completado por la FDA”.
|
REDES NEURONALES. ¿Cómo los sistemas de aprendizaje profundo sin supervisión (parte inferior) saben lo que saben y llegan a conclusiones? Esta opacidad molesta a muchos investigadores de la IA.
|
Foco de investigación: AMD
En Austria, el Dr. Schmidt-Erfurth reunió un equipo de investigación de imágenes computacionales por razones pragmáticas. Expertos graduadores de OCT en el Centro de Lectura de Viena de su departamento estaban siendo abrumados por la tarea de calificar manualmente las imágenes de una serie de grandes ensayos clínicos internacionales de medicamentos anti-AMD, dijo.
“Cuando llegaron los mejores instrumentos de OCT, con miles y miles de escaneos, fue bastante claro que el análisis manual ya no era posible”, dijo.
¿Verdaderos avances? Sus esfuerzos han producido algoritmos de aprendizaje profundo que, según ella, constituyen “verdaderos avances” en la evaluación y el tratamiento de los ojos con AMD.
Monitoreando la efectividad de la terapia. “Primero, hemos desarrollado algoritmos que no solo pueden reconocer la actividad de la enfermedad en las exploraciones OCT, sino que también pueden evaluar esta actividad 2 con precisión”, dijo el Dr. Schmidt-Erfurth. “Cada vez que vemos a un paciente podemos decir ‘sí’ o ‘no’ [que] hay líquido allí. También podemos cuantificar la cantidad de líquido, para determinar si la enfermedad es más activa o menos activa que antes. Esto es único en AMD “.
Predicciones basadas en drusas. El segundo avance es un algoritmo de IA para hacer predicciones individualizadas sobre los ojos con drusas debajo de la retina, la etapa más temprana de la DMAE, dijo el Dr. Schmidt-Erfurth. El algoritmo hace esto mediante la cuantificación del volumen de las drusas en la OCT y el seguimiento de cómo el volumen cambia con el tiempo. 12
“Nuestro algoritmo puede predecir el curso de la enfermedad. Puede identificar exactamente qué pacientes desarrollarán qué tipo de enfermedad avanzada, ya sea húmeda o seca [DMAE], y nos permite identificar a los pacientes en riesgo simplemente mediante el uso de imágenes in vivo no invasivas. Puede hacerlo precisamente para cada individuo, y todo se basa en los PTU de rutina ”, dijo.
Intervalos de tratamiento individualizados. Además, el grupo ha desarrollado un algoritmo que puede hacer una predicción individualizada de los intervalos de recurrencia después de la terapia de inyección intravítrea para la DMAE neovascular. 3 Esta información puede ayudar a los médicos a evitar el tratamiento excesivo o insuficiente cuando la terapia se proporciona según sea necesario. El algoritmo basa sus predicciones en el volumen del líquido subretiniano en los 3 mm centrales durante los primeros 2 meses después del inicio de la terapia, y tiene una precisión del 70% al 80%. 3
A continuación: Una búsqueda de nuevos biomarcadores. La Dra. Schmidt-Erfurth dijo que, a medida que los científicos refinan y estudian sus algoritmos de aprendizaje profundo, espera que los algoritmos de su grupo descubran biomarcadores nuevos, previamente insospechados, que ayudarán a los oftalmólogos a tratar a los pacientes. Esto se debe a que los sistemas de aprendizaje profundo notan detalles que no son fácilmente evidentes para el ojo humano, dijo.
“Estos algoritmos no se limitan a lo que los médicos tradicionales creen que es una característica patológica”, dijo. “Están buscando por sí mismos e identificando biomarcadores completamente nuevos. Y este aprendizaje no supervisado realmente nos ayudará a comprender la enfermedad más allá del conocimiento ya convencional “.
|
TELEMEDICINA A LA AI. El uso de la telemedicina para transmitir imágenes de DR (que se muestra aquí) ha ayudado a sentar las bases de la IA. Esta imagen fue publicada originalmente en ASRS Retina Image Bank. Matt Poe, COA. Desprendimiento de retina traccional. Retina Image Bank. 2015; Imagen número 24065. © La Sociedad Americana de Especialistas en Retina.
|
Limitaciones actuales
La oleada de interés de la investigación en la IA no puede ocultar el hecho de que el campo está lidiando con algunos desafíos importantes.
Calidad de los conjuntos formativos. Si el conjunto de imágenes de entrenamiento dado a la herramienta de inteligencia artificial es débil, es poco probable que el software produzca resultados precisos. “Los sistemas son tan buenos como lo que se les dice. Es importante crear estándares de referencia sólidos ”, dijo el Dr. Chiang.
El Dr. Abràmoff estuvo de acuerdo. “Es necesario comenzar con conjuntos de datos que todos estén de acuerdo con la validación. “No se puede simplemente tomar un conjunto de una clínica de retina y decir, bueno, aquí hay un conjunto de enfermedades graves y un grupo de personas normales”, dijo.
Problemas con la calidad de la imagen. “Los sistemas más modernos son muy buenos para detectar la enfermedad ocular diabética. Pero una cosa que no son muy buenos para reconocer es que no están viendo una enfermedad ocular diabética. Por ejemplo, estos sistemas a menudo se confunden con un paciente que tiene una oclusión de la vena retiniana central en lugar de la retinopatía diabética “, dijo el Dr. Chiang.
Añadió: “Otro desafío es que un cierto porcentaje de imágenes no es muy bueno. Son borrosos o no captan lo suficiente de la retina. Es muy importante asegurarse de que estos sistemas reconozcan cuando las imágenes tienen una calidad inadecuada “.
El dilema de la caja negra. Cuando un sistema basado en CNN analiza una nueva imagen o datos, lo hace basándose en sus propias reglas autogeneradas. Entonces, ¿cómo puede el médico que usa un algoritmo de aprendizaje profundo saber realmente que el resultado es correcto? Este es el problema de la “caja negra” que atormenta a algunos investigadores médicos de IA y es minimizado por otros, dijo el Dr. Abràmoff.
Respuestas incorrectas. El Dr. Abràmoff inventó un experimento que, según él, ilustra el motivo de preocupación. Su equipo cambió una pequeña cantidad de píxeles en las fotografías de fondo de ojo con DR y luego le dio estas imágenes “contradictorias” a los sistemas CNN de caja negra basados en imágenes para su evaluación. Los cambios en las imágenes fueron menores, indetectables para el ojo de un oftalmólogo. Sin embargo, cuando estas CNN evaluaron las imágenes alteradas, más de la mitad del tiempo consideraron que estaban libres de enfermedades, dijo el Dr. Abràmoff. 13
“Para cualquier médico que vea la foto de adversario todavía parecerá una enfermedad. Pero probamos las imágenes con diferentes algoritmos CNN de caja negra y todos cometieron el mismo error ”, dijo. “Entonces, es fácil para este tipo de algoritmo cometer este tipo de errores, y no sabemos por qué ese es el caso. Creo que los algoritmos basados en características son mucho menos propensos a estos errores “.
|
VARIABILIDAD DE INTEREXPERTOS. AI puede ayudar a proporcionar una mayor claridad diagnóstica y promover un mayor acuerdo entre expertos en ciertas enfermedades, especialmente ROP (que se muestra aquí). Esta imagen fue publicada originalmente en ASRS Retina Image Bank. Audina M. Berrocal, MD. Retinopatía posterior agresiva de la prematuridad con hemorragia macular. Retina Image Bank. 2012; Imagen número 1199. © La Sociedad Americana de Especialistas en Retina.
|
Mirando hacia el futuro
A pesar de estos desafíos, está claro que la IA ocupará un papel cada vez más crítico en la medicina.
Una valiosa herramienta de investigación. “Definitivamente hay un gran papel para las redes neuronales en la investigación, para la generación de hipótesis y el descubrimiento”, dijo el Dr. Abràmoff. “Por ejemplo, para averiguar si existen asociaciones entre alguna enfermedad de la retina y alguna característica de la imagen, como en la hipertensión. Allí, no importa inicialmente que la red neuronal no se pueda explicar completamente. Una vez que sabemos que existe una asociación, exploramos cuál es la naturaleza de esa asociación “.
Aumento, no reemplazo, de doctores en medicina. El Dr. Chiang, quien está ayudando a desarrollar técnicas de IA para evaluar la ROP, dijo que cree que los sistemas automatizados pueden y deben complementar lo que hacen los médicos.
“Las máquinas pueden ayudar al médico a hacer un mejor diagnóstico, pero no son buenos para tomar decisiones médicas después”, dijo. “Los médicos y los pacientes toman decisiones de gestión trabajando juntos para sopesar los diversos riesgos y beneficios y las alternativas de tratamiento. El papel del médico continuará [involucrando] el arte de la medicina, que es un proceso únicamente humano “.
Comentarios recientes