Imagen. / YUMIYUM/ISTOCK/GETTY IMAGES PLUS

Cuando la radióloga Pouneh Razavi lee la mamografía de una paciente, busca puntos en la imagen de rayos X que podrían indicar cáncer de mama. Luego, un segundo lector mira la imagen y los dos comparan los resultados. 

Pero ese segundo lector no es un médico humano: es inteligencia artificial. Desde marzo, Razavi y sus colegas de la Facultad de Medicina Johns Hopkins han estado utilizando software de inteligencia artificial como un segundo par de ojos.

Aún es temprano, por lo que su equipo todavía está aprendiendo del software y él también puede aprender de ellos. Las imágenes de la práctica de Razavi podrían ayudar a entrenar a la IA en los puntos que omitió, para que mejore con el tiempo. Aún no se sabe cuál es su desempeño (los colegas de Razavi todavía están recopilando datos), pero “estamos entusiasmados”, dice. Sus pacientes también lo son. "Hasta ahora, todo el mundo lo ha encontrado fascinante". Eso incluye  a la editora en jefe de Science News  , Nancy Shute, quien recibió su primera mamografía analizada por IA de Razavi en mayo. 

Las mamografías no son el único tipo de imágenes médicas que reciben asistencia de IA. Los médicos están utilizando la tecnología para escanear radiografías de tórax de personas, vídeos de ecografías de corazones de bebés y más. La tecnología de IA en la medicina está creciendo a un ritmo rápido, y “las imágenes están marcando el camino”, dijo el radiólogo de la Universidad de Stanford Curtis Langlotz en  el simposio The New Wave of AI in Healthcare  en la ciudad de Nueva York en mayo. 

Desde 1995, la Administración de Alimentos y Medicamentos de EE. UU. ha aprobado  casi 900 dispositivos médicos relacionados con la IA, alrededor del 75 por ciento se centra en radiología. Pero no todas las clínicas del país están conectadas a esta tecnología, dijo Mert Sabuncu, tecnólogo de la Universidad de Cornell en la reunión, que fue organizada por la Academia de Ciencias de Nueva York y la Escuela de Medicina Icahn en Mount Sinai. De hecho, dijo, "yo diría que recién estamos comenzando a implementarlos".

Subiendo

La cantidad de dispositivos médicos relacionados con la IA aprobados anualmente por la Administración de Alimentos y Medicamentos de EE. UU. ha crecido dramáticamente, especialmente en los últimos años. En octubre de 2023, la FDA había aprobado 691 dispositivos de este tipo (y casi 200 desde entonces). El primer dispositivo aprobado en 1995 estaba destinado a detectar pruebas de Papanicolaou, una prueba de rutina para buscar signos de cáncer de cuello uterino.

Science News habló con Sabuncu y otros expertos sobre por qué la IA en imágenes médicas está despegando y cuáles ven como la promesa (y los posibles obstáculos) de la tecnología. Esto es lo que descubrimos.

Grandes cantidades de datos hacen que las imágenes médicas sean ideales para la IA

No es inusual que Langlotz llegue al hospital temprano un sábado por la mañana y encuentre 150 imágenes de pacientes esperando a que las revise. Examinará minuciosamente las radiografías de tórax en busca de nódulos anormales, neumonía, costillas fracturadas o líquido en los pulmones. 

Es un trabajo que requiere capacitación, concentración y atención a los detalles, pero incluso los expertos pueden cometer errores. Los investigadores han descubierto que la tasa de error diario de un radiólogo puede oscilar entre el 3 y el 5 por ciento. Estos  errores tienden a deberse al exceso de trabajo, informaron los científicos en 2023 en el  European Journal of Radiology . "Necesitamos ayuda", dijo Langlotz.

No es probable que el problema desaparezca pronto. Cada vez más personas se someten a exploraciones, lo que significa que los médicos están adquiriendo más imágenes que antes, y el número de píxeles en cada imagen también está aumentando. Para los radiólogos que buscan un punto sospechoso en una radiografía, la analogía de la aguja en un pajar no es suficiente, dijo Sabuncu. Es más como “buscar una aguja en un pajar bajo una inmensa presión de tiempo cuando la salud del paciente está en juego, cuando tienes responsabilidad legal y realmente no quieres perderte nada”. 

Lo que puede ser un inmenso desafío para los humanos puede ser una gran oportunidad para la IA. Con cantidades masivas de imágenes digitales de alta calidad, los científicos pueden entrenar modelos informáticos de inteligencia artificial para buscar características específicas en el escaneo de una persona, como una mancha en la imagen de un seno o signos de enfermedad pulmonar en una radiografía. 

Dichos modelos pueden ayudar a mejorar la precisión y eficiencia de los radiólogos, e incluso marcar las imágenes que parecen más alarmantes para que los médicos puedan clasificar los casos en función de cuáles pueden necesitar atención inmediata. Cuando Langlotz ve que sus casos se acumulan por la mañana, por ejemplo, "me encantaría saber cuál de ellos tiene más probabilidades de tener un problema", dijo.

La IA puede ayudar a los médicos a detectar signos de enfermedad 

Cuando a una persona le hacen una radiografía de tórax, es posible que un radiólogo esté buscando cáncer de pulmón o signos de infección. Pero dentro de esa imagen, se esconden a plena vista detalles sobre otros aspectos de la salud de una persona. Los modelos de IA tienen el potencial de extraer más información de cada escaneo. Hay una riqueza en los datos de imágenes que los radiólogos no exploran, dijo Sabuncu. "Estamos dejando mucha información sobre la mesa". 

Tomemos como ejemplo las enfermedades cardiovasculares. Los médicos suelen calcular el riesgo de una persona teniendo en cuenta información como los niveles de colesterol y la presión arterial. Pero esos cálculos no se pueden hacer si faltan datos. Ahí es donde la IA podría intervenir: recopilando información cardiovascular a partir de radiografías de rutina. 

"Extraeremos información de imágenes que normalmente no extraemos como radiólogos".
Curtis Langlotz

Utilizando un conjunto de imágenes recopiladas previamente y datos de seguimiento, un modelo de IA escaneó radiografías de tórax de casi 8.900 personas de entre 50 y 75 años e  identificó quiénes podrían sufrir más tarde un ataque cardíaco o un derrame cerebral, informaron los investigadores en la edición de abril  de Annals of Internal Medicine. .  Es un ejemplo de “imágenes oportunistas”, donde la IA rastrea imágenes en busca de pistas médicas más allá del propósito original de los rayos X. Las aproximadamente 4.200 personas señaladas por la IA tenían 1,5 veces más probabilidades de tener un problema cardiovascular grave en los próximos 10 años que otras personas evaluadas. 

Un estudio similar realizado en 2023 utilizó una  IA de escaneo de rayos X diferente para detectar con éxito la diabetes tipo 2. En ese caso, los investigadores entrenaron a la IA con cientos de miles de radiografías de tórax y le dijeron cuáles procedían de pacientes con la enfermedad. Esas personas tendían a tener grasa distribuida de manera similar, incluso alrededor del corazón y el hígado, que la IA podía detectar. No es algo que los médicos suelen buscar cuando realizan una radiografía de rutina. Pero ese es el tema de la IA en las imágenes, afirmó Langlotz. "Extraeremos información de imágenes que normalmente no extraemos como radiólogos".

Los autores del estudio señalan que una herramienta de inteligencia artificial de este tipo podría ayudar a las personas que carecen de acceso a una atención médica regular. Durante una visita a la sala de emergencias, por ejemplo, es posible que algún día estas personas reciban una radiografía de tórax de rutina que podría detectar problemas distintos al que los llevó al hospital.

Sabuncu ve otro uso más para la IA, como algo que puede ayudarnos a mirar hacia nuestro futuro al observar más de cerca nuestro pasado. La mayoría de los análisis de imágenes de IA actuales no consideran los escaneos anteriores de un paciente; sugieren un diagnóstico basado en una sola imagen. Sabuncu está interesado en herramientas de inteligencia artificial que examinan cómo cambian las imágenes médicas de las personas con el tiempo. "Existe toda esta historia clínica que debe tenerse en cuenta", dijo.

Su equipo construyó recientemente un modelo, por ejemplo, que rastrea las mamografías de una persona a lo largo de los años. Estos datos históricos ayudaron al modelo a identificar lesiones sospechosas. La IA fue más del 80 por ciento efectiva para distinguir entre  personas que desarrollarían cáncer en los próximos cinco años  y aquellas que no, informó el equipo en un artículo presentado el 29 de abril a arXiv.org y que se presentará en octubre en el  Medical Imagen Conferencia sobre Computación e Intervención Asistida por Computadora  en Marrakech, Marruecos. Los investigadores comprobaron el rendimiento de la IA utilizando datos de resultados de los pacientes que la IA no había visto. 

La IA también puede ayudar a los científicos a analizar datos visuales aún más complejos, como vídeos de ultrasonidos de los corazones de los recién nacidos, dice Julia Vogt, científica informática de ETH Zurich. Los pediatras capacitados pueden mirar esos videos y detectar a los bebés que podrían tener problemas cardíacos, pero es difícil y requiere mucho tiempo, dice. Los médicos de una clínica en Alemania preguntaron a su equipo si podían ayudar. 

El equipo de Vogt creó un  modelo de IA que analiza las ecografías de los bebés  junto con otros datos. En una prueba que utilizó videos de 192 recién nacidos que habían sido evaluados previamente por cardiólogos pediátricos, el modelo pudo señalar con precisión qué bebés tenían un problema cardíaco llamado hipertensión pulmonar aproximadamente el 80 por ciento de las veces, informó su equipo el 6 de febrero en el  International Journal of Computer. Visión . Al detectar el problema a tiempo, dice Vogt, "podemos tener un gran impacto en los recién nacidos". Estos problemas a menudo se pueden tratar con oxígeno suplementario o medicamentos.

La IA podría ayudar a los pacientes, pero no sustituirá a los médicos en el corto plazo

En el ámbito de la atención sanitaria, implementar nuevas tecnologías en el mundo real no es tarea fácil. Los científicos pueden publicar informes sobre modelos de IA que pueden  identificar células malignas en muestras de cáncer cerebral  o  huevos de gusanos parásitos en las heces de los niños, pero eso no significa que la tecnología esté lista para funcionar, afirmó Sabuncu. "Hay mucho más trabajo por hacer".

Los modelos de IA deben validarse y probarse en entornos que van más allá de su entrenamiento. Necesitan personas con los conocimientos clínicos y técnicos para utilizarlos. Deben pasar por el proceso regulatorio para su aprobación. E idealmente, serían implementados en el mundo real y evaluados según su desempeño, dijo Sabuncu. 

Dos imágenes de ultrasonido en blanco y negro de corazones infantiles, mostradas una al lado de la otra. El bebé de la izquierda tiene un corazón sano, el bebé de la derecha tiene un problema cardíaco.

Las imágenes de ultrasonido de recién nacidos ayudaron a entrenar un modelo de inteligencia artificial para reconocer un problema cardíaco. La imagen de la izquierda muestra un ventrículo izquierdo sano (forma redondeada negra en el centro). En una imagen de un paciente diferente (derecha), el ventrículo izquierdo aparece aplastado en forma de D, lo que sugiere hipertensión pulmonar grave. H. RAGNARSDOTTIR ET AL./REVISTA INTERNACIONAL DE VISIÓN POR COMPUTADORA 2024

Como la mayoría de los sistemas de IA reportados en la literatura científica actual, el modelo que desarrolló el equipo de Vogt no está listo para su implementación generalizada. Los investigadores primero deben entrenarlo con más datos. En este punto, hay demasiadas variables que podrían confundirlo, como cómo los diferentes hospitales capturan vídeo y qué tipos de máquinas de ultrasonido se utilizan. Ella estima que más capacitación y pruebas para confirmar que el modelo funciona podrían llevar de tres a cinco años. 

Pero eso es lo que se necesita para llevar el modelo a más hospitales, afirma Vogt. "Se necesita algo para validar si realmente es útil". 

Sabuncu cree que las expectativas del público en torno a los cronogramas de la tecnología es donde la exageración de la IA puede aparecer. "No hay duda de que la IA tiene un gran potencial", dijo. Él imagina que la tecnología algún día podría tener un gran impacto en la medicina. Pero dijo: "No creo que veamos ese impacto muy rápidamente". 

El uso cuidadoso y reflexivo de las herramientas de inteligencia artificial podría, en última instancia, hacer que la atención médica sea más eficiente, afirma Vogt. “La IA no es mágica”, afirma, pero tiene el potencial de resolver algunos problemas. Al aliviar la carga de trabajo, por ejemplo, la IA podría dar a los médicos más tiempo para dedicar a sus pacientes. "Eso sería un gran logro", afirma. 

Ni Vogt ni los otros expertos  con los que habló Science News  imaginan que la IA reemplazará a los médicos en el corto plazo, aunque es una preocupación que todos han escuchado. Algunos pacientes piensan que se harán un escaneo y luego interactuarán solo con una IA, sin que ningún ser humano participe en el proceso, dice Razavi. "Piensan que es como el mostrador de autopago de Whole Foods". Pero eso no es exacto, dice. Todas las imágenes de los centros de imágenes de Johns Hopkins son leídas por un radiólogo de imágenes de mama. 

Su equipo espera que la IA pueda ayudar a los médicos a detectar el cáncer de los pacientes antes, reducir los falsos positivos y clasificar el trabajo de los médicos. La extensión de esos beneficios potenciales dependerá de qué tan buena sea la IA, cómo las clínicas usan la tecnología y quién tiene acceso a ella. Algunas clínicas de imágenes mamarias, por ejemplo, cobran a los pacientes $40 adicionales o más para que sus exploraciones sean analizadas por IA, dice Razavi. Johns Hopkins lo hace gratis. 

"Si existe una tecnología que puede ayudar a encontrar un cáncer pequeño, no queremos negárselo a nadie", dice Razavi. 

CITAS

O. Kasalak  et al.  Sobrecarga de trabajo y errores diagnósticos en radiología. Revista europea de radiología. vol. 167, octubre de 2023, pág. 111032. doi: 10.1016/j.ejrad.2023.111032. 

BK Karaman  et al. Predicción de riesgo de mamografía longitudinal. arXiv.org. Presentado el 29 de abril de 2024. 

J. Lundin y col.  "Diagnóstico de geohelmintiasis con microscopía móvil digital e inteligencia artificial en un entorno de recursos limitados".  PLOS Enfermedades tropicales desatendidas. Publicado en línea el 11 de abril de 2024. doi: 10.1371/journal.pntd.0012041. 

J. Weiss y col.  Aprendizaje profundo para estimar el riesgo cardiovascular a partir de radiografías de tórax: un estudio de predicción de riesgos . Anales de Medicina Interna. vol. 177, 26 de marzo de 2024. doi: 10.7326/M23-1898.

H. Ragnarsdottir  y col . Predicción basada en aprendizaje profundo de la hipertensión pulmonar en recién nacidos mediante ecocardiogramas. Revista Internacional de Visión por Computadora. Publicado en línea el 6 de febrero de 2024. doi: 0.1007/s11263-024-01996-x.

G. Joshi  y col. Dispositivos médicos habilitados para inteligencia artificial y aprendizaje automático (AI/ML) aprobados por la FDA: un panorama actualizado.  Electrónica. vol. 13, 24 de enero de 2024, pág. 498. doi: 10.3390/electrónica13030498.

MP Nasrallah  et al. El aprendizaje automático para patología de criosección predice la clasificación de glioma de la OMS de 2021. Medicina. vol. 4, 11 de agosto de 2023, pág. p536-540.e4. doi: 10.1016/j.medj.2023.06.002. 

A. Pyrros  y col. Detección oportunista de diabetes tipo 2 mediante aprendizaje profundo a partir de radiografías frontales de tórax . Comunicaciones de la naturaleza. vol. 14, 7 de julio de 2023, pág. 4038.doi: 10.1038/s41467-023-39631-x

Acerca de Meghan Rosen

Meghan Rosen es redactora y escribe sobre ciencias biológicas para Science News . Obtuvo un doctorado. en bioquímica y biología molecular con énfasis en biotecnología de la Universidad de California, Davis, y luego se graduó del programa de comunicación científica de UC Santa Cruz.

Autor

Autor

Science News

Durante casi un siglo, los periodistas de Science News han cubierto avances en ciencia, medicina y tecnología para el público en general, incluido el ensayo del "mono" de Scopes de 1925, el advenimiento de la era atómica en 1945, la carrera espacial y la revolución de la ingeniería genética, desde el descubrimiento del ADN hasta la tecnología actual de edición de genes. En apoyo de nuestra misión de servir al interés público al brindar una cobertura precisa e imparcial de noticias en ciencia, medicina y tecnología, seguimos estándares ampliamente reconocidos de periodismo desarrollados y adheridos por las principales organizaciones de noticias. Eso incluye ser honestos y transparentes en nuestro trabajo y en nuestras interacciones con fuentes y lectores.