PANORAMA 10 ABRIL 2019
El aprendizaje automático se está utilizando para automatizar la detección de enfermedades oculares.
Cuando las personas con diabetes visitan a su médico de cabecera, a menudo son derivadas a un oftalmólogo, quien puede revisar sus ojos en busca de signos de retinopatía diabética. La enfermedad daña la capa de tejido sensible a la luz en la parte posterior del ojo conocida como retina y es una de las principales causas de ceguera, lo que resulta en hasta 24,000 casos cada año en adultos en los Estados Unidos. Pero cuando se diagnostica antes de que aparezcan los síntomas, la enfermedad generalmente se puede controlar y evitar el peor resultado. “Sabemos muy bien cómo tratarlo, pero no lo detectamos lo suficientemente temprano”, dice Michael Abràmoff, especialista en retina e informático de la Universidad de Iowa en Iowa City.
Parte de la perspectiva de la naturaleza: el ojo
Por lo tanto, el cribado regular es crucial para controlar la retinopatía diabética. Pero evaluar los aproximadamente 30 millones de personas afectadas por la diabetes en los Estados Unidos, y más de 400 millones de personas en todo el mundo, parece un desafío insuperable. Solo a la mitad de las personas con diabetes se les examinan los ojos cada año, como se recomienda.
Eso se debe en parte a la escasez de oftalmólogos. Dichos médicos especialistas requieren una amplia capacitación y un equipo particular, y su escasez en muchas regiones del mundo a menudo obliga a las personas a viajar largas distancias para un examen ocular. El problema es particularmente grave en los países de bajos y medianos ingresos, pero se espera que incluso los países más ricos experimenten un déficit a medida que las poblaciones de ancianos y de alto riesgo crecen más rápido que el grupo de oftalmólogos que se necesita para tratarlos. La telemedicina, en la que los oftalmólogos evalúan las fotos de la retina de forma remota, podría ayudar a mejorar el acceso de los pacientes, pero aún no ha obtenido una aceptación generalizada.
Abràmoff se había preguntado por mucho tiempo si un programa de computadora podría usarse para detectar enfermedades oculares. Durante varias décadas, desarrolló IDx-DR, un sistema de inteligencia artificial (IA) que puede determinar en minutos si una persona tiene un caso de retinopatía diabética más que leve. Tales casos comprenden solo alrededor del 10% de las personas con diabetes, por lo que, bajo este sistema de IA, los oftalmólogos tendrían que examinar a muchas menos personas.
IDx-DR es el primer dispositivo aprobado por la Administración de Drogas y Alimentos de los Estados Unidos (FDA) para proporcionar una decisión de detección sin la necesidad de un médico. Pero no es la única herramienta basada en IA que está preparada para transformar el campo de la oftalmología. Los avances en informática y la disponibilidad de grandes conjuntos de datos de imágenes retinianas han estimulado el desarrollo de sistemas de IA para detectar no solo la retinopatía diabética, que es relativamente fácil de detectar, sino también otras enfermedades oculares comunes, como la degeneración macular relacionada con la edad (AMD) y glaucoma. Estos sistemas de inteligencia artificial podrían mejorar la velocidad y la precisión de los programas de detección a gran escala, así como mejorar el acceso a los exámenes oculares en áreas desatendidas al permitir su provisión en centros médicos que de otro modo no podrían ofrecer atención ocular.
El uso de IA en la clínica inevitablemente generará preocupaciones sobre diagnósticos perdidos y diagnósticos erróneos , dice Tien Yin Wong, un oftalmólogo del Centro Nacional del Ojo de Singapur. Los problemas legales y éticos que resultan pueden determinar en última instancia qué tan común se vuelve la tecnología, dice.
Sin embargo, aquellos en el campo son optimistas de que el diagnóstico asistido por IA está listo para despegar. Pearse Keane, oftalmólogo del Moorfields Eye Hospital en Londres, también es consultor en DeepMind Technologies, una empresa de investigación de IA con sede en Londres y propiedad de la empresa matriz de Google, Alphabet, que está desarrollando un sistema que puede diagnosticar enfermedades oculares. “Todavía recuerdo una de las primeras veces que vi el algoritmo en acción”, dice. “Me sorprendió y sentí que había visto algo transformador para todo el campo de la oftalmología”.
Una visión de 30 años.
Abràmoff comenzó a estudiar la automatización de la detección de enfermedades oculares hace unos 30 años. Los oftalmólogos suelen diagnosticar tales afecciones estudiando una fotografía en color de la parte posterior del ojo o una sección transversal de la retina capturada mediante una técnica de imagen llamada tomografía de coherencia óptica (OCT). Pero Abràmoff no estaba seguro de si un programa de computadora podría reemplazar a un especialista altamente capacitado, al menos al principio.
El aprendizaje automático, que utiliza datos y algoritmos personalizados para entrenar máquinas para realizar tareas, había demostrado ser prometedor para su uso en el análisis de imágenes desde la década de 1950. Pero el hardware no era lo suficientemente potente como para que el aprendizaje automático fuera práctico para analizar imágenes médicas del mundo real, incluso cuando Abràmoff comenzó su investigación 40 años después.
Sin embargo, Abràmoff concibió minuciosamente ecuaciones matemáticas para describir varias lesiones en la retina, y luego escribió algoritmos para detectarlas. A principios de la década de 2000, había publicado numerosos artículos sobre el tema y, a medida que avanzaba la década, obtuvo patentes relevantes con la esperanza de que una compañía farmacéutica o de biotecnología los licenciara. Pero la idea no despegó. “No pasó nada”, dice.
El uso de sistemas de IA en imágenes médicas recibió un gran impulso a fines de la década de 2000, gracias a la industria de los videojuegos. El impulso de los gráficos realistas condujo al desarrollo de tarjetas gráficas más potentes que eran ideales para el tipo de procesamiento paralelo que requieren los sistemas de IA. Estas tarjetas gráficas facilitaron la implementación de sistemas computacionalmente intensivos conocidos como redes neuronales artificiales, inspiradas en la forma en que las neuronas se interconectan en el cerebro. Dichas redes consisten en capas de nodos conectados que procesan diferentes características de una imagen. A cada atributo se le asigna un cierto peso, que el sistema luego combina para generar un resultado tal como una decisión sobre si un ojo ha sido afectado por la retinopatía diabética.
Al combinar redes neuronales artificiales con un poder de procesamiento considerable y conjuntos de datos de imágenes masivas, los investigadores pudieron crear redes de aprendizaje profundo que pueden realizar tareas sofisticadas más allá del alcance del software programado convencionalmente, incluida la superación de algunos de los mejores jugadores del mundo del antiguo juego de mesa. Ir. “Se ha producido una especie de este salto cuántico hacia adelante, donde todas estas cosas que solían ser un pastel en el cielo ahora son técnicamente factibles”, dice Aaron Lee, un oftalmólogo de la Universidad de Washington en Seattle.
Una prueba exitosa
En medio de estos avances tecnológicos, Abràmoff fundó la compañía de investigación de inteligencia artificial IDx Technologies en Coralville, Iowa, en 2010. Después de una larga discusión con la FDA, organizó un ensayo clínico para demostrar que IDx-DR podría funcionar en un entorno del mundo real. El ensayo se abrió para la inscripción en enero de 2017 e incluyó a 900 personas con diabetes de 10 ubicaciones en los Estados Unidos.
Los resultados mostraron que las décadas de trabajo de Abràmoff habían valido la pena. IDx-DR identificó correctamente la presencia de retinopatía diabética más que leve alrededor del 87% de las veces e identificó correctamente a las personas que no tenían la afección casi el 90% de las veces 1 . La precisión del sistema de IA cumplió con los requisitos de la FDA y, en abril de 2018, IDx-DR se convirtió en el primer sistema de diagnóstico autónomo en ser aprobado para detectar la retinopatía diabética en los Estados Unidos. “Fue un muy buen día”, dice Abràmoff.
El sistema usa una cámara para fotografiar la parte posterior del ojo. Luego, un algoritmo de IA analiza las imágenes resultantes para detectar signos tempranos de retinopatía diabética, como hemorragia. Otro algoritmo ayuda al operador a tomar imágenes de alta calidad de la retina, lo que significa que después de recibir solo cuatro horas de capacitación, cualquier persona con educación secundaria podría operar IDx-DR.
En junio, la Universidad de Iowa Health Care se convirtió en la primera organización en implementar IDx-DR en la clínica. Los sistemas de inteligencia artificial competidores podrían no estar muy lejos. “Con lo que IDx ha hecho, ahora hay un precedente para otras compañías en el espacio de aprendizaje profundo”, dice Lee. Hasta ahora, la mayoría también se ha centrado en detectar la retinopatía diabética porque la condición es relativamente fácil de detectar en una imagen. “Ese es un problema bastante simple desde el punto de vista de la visión por computadora”, dice Lee.
Haz lo que hacen los humanos
Los sistemas de IA eventualmente tendrán que hacer más que detectar una sola enfermedad ocular. “Cuando un médico evalúa el ojo de alguien, detecta muchas afecciones comunes”, dice Wong. “No se puede simplemente decir: ‘Solo estoy interesado en detectar si tienes retinopatía diabética o no'”. Es por eso que Wong y otros, incluido Abràmoff, están desarrollando sistemas de IA que son capaces de detectar varias enfermedades oculares en el Mismo tiempo.
En lugar de enseñar a los algoritmos de IA qué características de la enfermedad deben buscar (como Abràmoff hizo para IDx-DR), algunos investigadores entrenan sus programas al instruirlos para que examinen numerosas imágenes que se originan en ojos sanos o enfermos. Los sistemas de IA deben resolver por sí mismos cómo diferenciarlos. En 2017, Wong y su equipo utilizaron imágenes de la retina recopiladas de varios estudios, incluido el Programa Nacional de Detección de Retinopatía Diabética de Singapur, para entrenar un sistema de IA 2. Pusieron a prueba su efectividad en 11 cohortes multiétnicas de personas con diabetes y demostraron que su programa de IA podría utilizar las diferencias en las imágenes de la retina para detectar no solo la retinopatía diabética, sino también el glaucoma y la AMD. La destreza de detección del sistema coincidía con la de un especialista humano en retinopatía diabética aproximadamente el 90% del tiempo.
Los investigadores de DeepMind y Moorfields Eye Hospital han ido aún más lejos. Crearon un algoritmo de IA que se enseñó a sí mismo a tomar decisiones de referencia para 50 afecciones oculares comunes 3 . El sistema identifica signos de enfermedad ocular en un examen retiniano de OCT y luego decide la urgencia con la que una persona debe ver a un especialista. El sistema de IA de DeepMind podría aliviar considerablemente la carga de pacientes para los oftalmólogos. “La gente no se da cuenta del gran volumen de casos que tratamos”, dice Keane. El Servicio Nacional de Salud en Inglaterra programó 8.25 millones de consultas externas de oftalmología el año pasado.
La capacitación de un algoritmo de inteligencia artificial generalmente requiere grandes cantidades de datos y prepara el sistema para realizar solo tareas limitadas; un algoritmo entrenado para jugar Go al instruirlo para que juegue 30 millones de veces no sería bueno en el ajedrez, por ejemplo. Pero un método conocido como transferencia de aprendizaje podría ayudar a capacitar a los programas de inteligencia artificial utilizando menos datos específicos de la tarea, permitiéndoles aprender a realizar tareas similares más rápidamente.
Un equipo dirigido por Kang Zhang, un oftalmólogo de la Universidad de California, San Diego, en La Jolla, tomó un algoritmo de IA que había sido pre-entrenado en decenas de millones de imágenes de objetos cotidianos del repositorio público ImageNet, y luego lo aplicó a un conjunto de alrededor de 100,000 imágenes de retina OCT 4. A pesar del bajo número de imágenes específicas de retina utilizadas para entrenar el sistema, el entrenamiento previo permitió al programa de IA del equipo diagnosticar con precisión dos causas comunes de pérdida de visión: el edema macular diabético y la neovascularización coroidea (a menudo una consecuencia de la DMAE avanzada) y decidir quien necesitaba una referencia urgente a un especialista. La reducción de la cantidad de imágenes de retina OCT utilizadas en el entrenamiento a aproximadamente 4,000 duplicó la tasa de error del algoritmo, pero su rendimiento aún era ampliamente comparable con el de los expertos humanos.
Zhang, Keane y Wong planean realizar ensayos clínicos en los próximos dos años para confirmar si sus sistemas de IA son tan efectivos en el diagnóstico como los oftalmólogos, un precursor necesario para recibir la aprobación regulatoria. Pero aún se necesitará más trabajo para producir un producto comercial que esté listo para usar en una variedad de entornos. “Los científicos necesitan que sea tan útil como un iPhone”, dice Wong.
No solo una cuestión de tecnología
Las habilidades de estos sistemas de IA podrían, en algunos casos, exceder las de los humanos. Por ejemplo, Bernhard Weber, genetista de la Universidad de Ratisbona en Alemania, y sus colegas han desarrollado un algoritmo de aprendizaje profundo para clasificar la progresión de AMD 5 , una de las principales causas de pérdida de visión en personas de 50 años o más. Aunque la DMAE tardía es fácil de detectar, Weber descubrió que el programa de IA de su equipo también podía identificar las primeras etapas de la enfermedad. “Eso es algo difícil”, dice, desafiante incluso para un oftalmólogo.
Aunque la precisión de tales sistemas de IA ayuda a obtener la aprobación reglamentaria, esa luz verde podría no ser suficiente para ganar la confianza de los médicos y los pacientes. “Como sociedad, ¿estamos listos para implementar estas cosas?”, Pregunta Lee.
Un obstáculo para ganar la confianza de los usuarios es la naturaleza cerrada de muchos sistemas de IA, que funcionan como cajas negras: no siempre está claro cómo tales programas toman una decisión. “Con un algoritmo de recuadro negro, no tienes idea de por qué el algoritmo eligió hacer ese diagnóstico”, dice Lee (ver ‘Abrir el recuadro negro’).
ABRIR LA CAJA NEGRA
Las complejas redes neuronales artificiales que hacen que los sistemas de inteligencia artificial (IA) sean tan potentes también dificultan la comprensión de cómo tales sistemas toman las decisiones que toman, un problema conocido como el problema de la caja negra.
Esta opacidad es particularmente irritante en la clínica, donde el razonamiento detrás del diagnóstico de un sistema de IA podría ser crucial para obtener la aprobación regulatoria. “La explicabilidad se convirtió en un gran problema con la Administración de Drogas y Alimentos de los Estados Unidos”, dice Michael Abràmoff, especialista en retina e informático de la Universidad de Iowa en Iowa City. “Debe poder explicar qué hace su algoritmo si quiere que sea autónomo”.
Los investigadores están descubriendo cómo mirar dentro de la caja negra. Las compañías de investigación de inteligencia artificial IDx Technologies en Coralville, Iowa, y DeepMind Technologies en Londres utilizan un enfoque doble para interrogar la toma de decisiones de sus sistemas de inteligencia artificial cuando diagnostican afecciones oculares. Un algoritmo detecta las características de la enfermedad en una imagen de la retina de una persona. Luego, otro algoritmo usa esas características para tomar una decisión sobre si esa persona necesita consultar a un oftalmólogo y, de ser así, con qué urgencia. Al dividir esos pasos, los médicos pueden determinar cómo una red de aprendizaje profundo interpreta una imagen antes de hacer una sugerencia de referencia, dice Olaf Ronneberger, un científico informático de DeepMind.
Otra forma de desenredar lo que está sucediendo implica el uso de un tipo diferente de caja negra. Kang Zhang, oftalmólogo de la Universidad de California, San Diego, en La Jolla, y Bernhard Weber, genetista de la Universidad de Regensburg en Alemania, usaron máscaras negras para proteger partes de las imágenes de la retina de su algoritmo de IA, y observaron cómo el enmascaramiento afectó los diagnósticos del sistema. Esto permitió a Weber determinar en qué parte de la retina el algoritmo de IA buscaba tomar su decisión 5 . “Lo que ves es que es exactamente donde miraría un oftalmólogo humano”, dice. SR
Wong compara el aumento del diagnóstico basado en inteligencia artificial con el de los automóviles sin conductor, y en ambos casos, no está seguro de si las personas están listas para la automatización completa . Por lo tanto, diseñó su sistema para funcionar como un proceso totalmente automatizado o semiautomatizado, en el que funciona en conjunto con un humano. Es similar a garantizar que un automóvil sin conductor tenga un volante y frenos para que una persona pueda hacerse cargo en una emergencia. “Eso da mucha más confianza, además de reducir significativamente la carga de trabajo”, dice Wong.
Este modelo de dos niveles podría funcionar bien en lugares donde los oftalmólogos estén fácilmente disponibles. Pero el mayor potencial de la tecnología radica en mejorar el acceso al cuidado de la vista en países de bajos ingresos o áreas remotas. Ese razonamiento llevó a Abràmoff a probar el IDx-DR en una parte aislada de Nuevo México, a varias horas en automóvil del oftalmólogo más cercano, y a investigadores de Google para probar un algoritmo de aprendizaje profundo diseñado para detectar signos de retinopatía diabética en fotografías retinianas en hospitales de la vista en India, donde solo 15,000 oftalmólogos atienden a unos 70 millones de personas con diabetes.
Más de Perspectivas de la naturaleza
Los sistemas de IA existentes requieren imágenes detalladas del ojo para tomar decisiones, y en muchos países el equipo y la experiencia necesarios para tomar esas imágenes son escasos. Pero los teléfonos inteligentes equipados con cámaras especiales para imágenes de retina podrían combinarse con un software de inteligencia artificial basado en la nube para detectar la retinopatía diabética, lo que hace que los exámenes oculares sean aún más baratos y convenientes.
“En mi opinión, el mayor beneficio para la humanidad se producirá en entornos de recursos limitados, donde no hay expertos disponibles”, dice Lee. “Creo que la IA puede desempeñar un papel muy importante y perjudicial en la entrega de medicamentos en esos entornos”.
Comentarios recientes