MachineLearning-Aplicaciones-Medicina

Machine Learning y sus Aplicaciones en la Medicina

Aún hoy, para muchos el término de inteligencia artificial es un tema que sólo forma parte del mundo del cine en películas de ciencia ficción. Sin embargo, temas como machine learning (ML), deep learning (DL), redes neuronales, inteligencia artificial, son términos que ya han marcado los últimos años. Inicialmente se tiene incertidumbre sobre si las tres denominaciones hacen referencia a lo mismo; primero que nada, la inteligencia artificial abarca ambos planos, machine y deep learning; y entre estos dos se varía el uso de técnicas o algoritmos.

Diferencias AI-ML-DL de Victoria Yánez

El aprendizaje por máquina utiliza los denominados algoritmos de regresión y árboles de decisión, por otro lado, el aprendizaje profundo es usualmente descrito como una herramienta para implementar machine learning, el cual usa las famosas redes neuronales, modelos computacionales que funcionan en base a la biología del cerebro humano. Ya desde 1990, desarrolladores se han inspirado en la biología para crear algoritmos de redes neuronales, algoritmos genéticos, imitando procesos complejos y adaptables al reconocimiento de situaciones.

Al escuchar estos conceptos, la primera aplicación en la que se piensa es, su aprovechamiento en la robótica o máquinas complejas capaces de tomar decisiones con las mismas características que la inteligencia humana, a esto se le conoce como “Inteligencia Artificial General” y, al menos por ahora, no es un escenario verídico. La realidad es diferente, actualmente se ha usado la “Inteligencia Artificial Estrecha” y su aplique está en la vida diaria. Es el caso de el reconocimiento facial en los smartphones, análisis de imágenes de alta calidad, visión computacional, sistemas integrados de correo anti-spam, análisis de comportamiento de actividad de consumo, etc.; plataformas como Amazon y Netflix utilizan los datos de la actividad del usuario para mostrar recomendaciones de compra o visualización.

 

No obstante, ¿cuál es el principio de funcionamiento de ML? En síntesis, su práctica se vale de cantidades de datos muy grandes que son procesados y analizados, explorando sus condiciones y resultados para aprender de estos y realizar una predicción sobre cierto tema de la información analizada. Por lo tanto, la programación del algoritmo radica en entrenarlo, que reconozca patrones comunes generando un modelo para ejecutar una tarea.

Sorprendentemente, el ML también es ejecutado en el basto mundo de la medicina. Se manifiesta para la salud de las personas, en sistemas de diagnóstico, predicción de enfermedades, asignación de tratamientos más efectivos, entre otros. Numerosos estudios incluyen la práctica de esta tecnología al servicio de la salud de las personas, en términos de algoritmos computacionales, se han utilizado, por ejemplo, el random forest para la clasificación del Alzheimer, support vector machines (SVM) para la evaluación del glaucoma, el clasificador k-nearest neighbor (kNN) para para la detección de hemorragias retinianas en imágenes de fondo de ojo. [1]

Investigación

Un ejemplo de una amplia variedad de implementaciones es cuando en el año 2013 una empresa utilizó un algoritmo computacional de redes neuronales para diagnosticar tuberculosis pleural sólo con parámetros clínicos y el estado de infección por VIH, a partir de una base de datos de 137 pacientes. El desempeño fue superior a todas las otras pruebas diagnósticas por separado, incluidas la adenosina deaminasa en líquido pleural, biopsia, cultivo, ELISA y PCR y alcanzó más de 90% de exactitud, sin que se recurriera a procedimientos invasivos. [2]

No son pocos los estudios realizados por investigadores, ingenieros especializados en biotecnología o medicina y médicos especialistas en lo que respecta a aplicaciones de Inteligencia Artificial en sus campos. Es el caso del análisis de movilidad basado en sensores para la evaluación de Parkinson [3], terapias de asistencia de realidad virtual y machine learning para el tratamiento de la adicción a drogas [4], la aplicación de ML para clasificar un tipo de prótesis en lugar del método convencional de marcha [5] y muchos más.

Una investigación realizada por la Universidad de Arizona en colaboración con el centro de ciencias de la salud de la Universidad de Texas, concluyó con éxito la identificación de pacientes con esquizofrenia con un 78% de precisión analizando imágenes de resonancia magnética funcional (MRI) por medio de machine learning.

Estilo de vida

Ciertamente, el aplicativo más conocido y comercializado es el monitoreo de los aspectos básicos de salud de una persona, esto lo constatamos en el empleo de smart watch o smart bands, estos dispositivos permiten vigilar ciertas variables, como ritmo cardíaco, calorías, presión arterial y calidad de sueño.

Imagenología o imágenes médicas

Los médicos, basan sus análisis en exámenes previos del paciente, las imágenes médicas son herramientas que permiten identificar causas de dolencias, enfermedades y patologías, pasando a ser un elemento clave a la hora de emitir un buen diagnóstico. La digitalización en los sistemas de salud es un hecho, y debido a esta evolución, la necesidad de un estándar para el formato de imágenes y su transmisión fue necesaria, DICOM (Digital Imaging and Communications in Medicine) es el más utilizado en la práctica clínica. A diferencia de las imágenes en formatos como PNG y JPG que contienen la intensidad de cada pixel, en estos figuran también las coordenadas e información asociada (datos del paciente, etiquetas, etc.).

El procesamiento de las imágenes médicas o segmentación, es un proceso altamente laborioso, consiste en reconocer y delinear un objeto (por ejemplo, la delimitación de una lesión en un órgano) en una o varias imágenes, por este motivo, la urgencia de un proceso de automatización ha sido de gran importancia. Un caso de esto es la identificación de tumores, en una imagen, es complicado detectar si el tumor acaba en un pixel concreto o en el siguiente, si se consulta tres diferentes médicos con la misma imagen, puede haber una cierta variación de su posición precisa.

Deep learning permite una segmentación automática de las imágenes médicas. En radiología, se ha adoptado un método de ML, el “Diagnóstico asistido por computadora” (CAD), en este se definirían los límites de un órgano, por ejemplo, para definir de mejor manera la anatomía en la imagen. También es posible usar el ML en la estimación de la dosis de radiación a usarse sobre un órgano específico.

En medicina oncológica, es de gran trascendencia los estudios que se han realizado, el tener algoritmos inteligentes para la detección de cáncer mediante análisis de mamografías es ya una posibilidad en la que trabaja la Universidad de Valencia, sus científicos publican un porcentaje de confiabilidad del diagnóstico del 89% y añadiendo el respaldo del radiólogo, aumenta en un 93%.

Los algoritmos de aprendizaje automático permiten corroborar presuntos casos de patologías.

Tratamientos y farmacología

Del mismo modo, el entrenamiento de los algoritmos también se lo puede realizar con las órdenes de tratamiento y el registro de administración de fármacos a un paciente con condiciones patológicas específicas, lo que permite sugerir dosis necesarias para diferentes casos.

El descubrimiento de nuevos fármacos se traduce en el bienestar de las futuras generaciones. El proceso y generación de nuevas drogas y curas para enfermedades es, en efecto, costoso. En este caso el machine learning, mejoraría de forma indirecta a la salud de personas, específicamente a la industria bioquímica o farmacológica, ayudando con el modelado de procesos biológicos e identificación de moléculas potenciales para medicamentos exitosos, lo que abarataría costes y reduciría plazos de experimentación.

Administración de información y seguridad de hospitales y pacientes

La cantidad y almacenamiento de la información correspondiente a diagnósticos y datos de pacientes es imprescindible para el desarrollo de nuevas de técnicas de machine learning. Mediante algoritmos de aprendizaje se podrían realizar análisis de riesgos con esa información y generar alertas tempranas.  

El flujo de información en un hospital que es llevado a través de redes de comunicación y usualmente el uso de almacenamiento de datos la nube son aspectos que, si no se manejan con la debida seguridad, pueden comprometer la confiabilidad de la documentación médica.  Así como se agilizan procesos, constituye también un reto de seguridad. Con el uso de otras técnicas similares a la inteligencia artificial, como blockchain, se pretende asegurar los protocolos de comunicación de ataques cibernéticos.

Salud mental

Se integra a este progreso, el trabajo en enfermedades mentales, depresión, trastornos bipolares y trastornos mentales. Por medio de aplicaciones como Quartet Health, permite la evaluación de historias clínicas y patrones de comportamiento para encontrar algún problema.

Una publicación de la revista EPJ Data Science ha demostrado que, por medio del aprendizaje automático, se puede detectar con cierto éxito a personas con depresión analizando la actividad y las fotografías que este comparte en redes sociales.

“Será un esfuerzo conjunto de los pacientes, psiquiatras, neurocientíficos, informáticos e investigadores en otras disciplinas para construir mejores herramientas para la salud mental”, dice Bo Cao del Departamento de Psiquiatría de la Universidad de Arizona.

“Las colaboraciones e interacciones con informáticos, ingenieros y matemáticos agilizarán y favorecerán el trabajo de los médicos, para que así puedan diagnosticar con una fiabilidad aún mayor y, a su vez, dedicar más tiempo a cada paciente”, afirma la Dra. Gemma Vilahur García, investigadora Senior en el Programa ICCC del Institut de Recerca del Hospital de la Santa Creu i Sant Pau-IIB Sant Pau

Referencias

[1] V. Bolón-Canedo, B. Remeseiro, A. Alonso-Betanzos y A. Campilho, «Machine learning for medical applications,» Abril 2016. [En línea]. Available: https://www.elen.ucl.ac.be/Proceedings/esann/esannpdf/es2016-17.pdf.

[2] S. O. Lugo-Reyes, G. Maldonado-Colín y C. Murata, «Inteligencia artifcial para asistir el diagnóstico clínico en medicina,» Marzo 2014. [En línea].

[3] B. M. Eskofier et al., “Recent machine learning advancements in sensor-based mobility analysis: Deep learning for Parkinson’s disease assessment,” 2016 38th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Orlando, FL, 2016, pp. 655-658.

[4] Y. Yuan, J. Huang and K. Yan, “Virtual Reality Therapy and Machine Learning Techniques in Drug Addiction Treatment,” 2019 10th International Conference on Information Technology in Medicine and Education (ITME), Qingdao, China, 2019, pp. 241-245.

[5] R. LeMoyne, T. Mastroianni, A. Hessel and K. Nishikawa, “Implementation of machine learning for classifying prosthesis type through conventional gait analysis,” 2015 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Milan, 2015, pp. 202-205.

Otras fuentes:

  1. Febles, «Inteligencia Artificial en Imagenología. Revisión de conceptos, aplicaciones y consecuencias.,» [En línea].
  2. Copeland, «What’s the Difference Between Artificial Intelligence, Machine Learning and Deep Learning?,» Julio 2016. [En línea]. Available: https://blogs.nvidia.com/blog/2016/07/29/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/.
  3. Ramoneda, «Inteligencia artificial en medicina: casos reales de éxito,» Octubre 2019. [En línea]. Available: https://blog.enzymeadvisinggroup.com/inteligencia-artificial-en-la-medicina.
  4. Conchas, «Cómo la Inteligencia Artificial cambió la medicina,» Octubre 2017. [En línea]. Available: https://www.inbest.cloud/comunidad/como-la-inteligencia-artificial-cambiara-la-medicina.
  5. Genway, «How Is Machine Learning Accelerating Drug Development?,» [En línea]. Available: https://www.tessella.com/insights/how-is-machine-learning-accelerating-drug-development.