La neumonía ingresa a un millón de adultos estadounidenses en el hospital cada año y mata a 50, 000. Si un médico sospecha que un paciente tiene neumonía, generalmente ordenará una radiografía de tórax. Estas radiografías deben ser interpretadas por un médico, por supuesto. Pero ahora, los investigadores de Stanford han desarrollado un algoritmo que dicen que puede diagnosticar la neumonía en los rayos X mejor que los radiólogos experimentados.
"La ventaja que tiene un algoritmo es que puede aprender de cientos de miles de radiografías de tórax y sus diagnósticos correspondientes de otros expertos", dice Pranav Rajpurkar, un estudiante graduado en el Stanford Machine Learning Group, quien dirigió la investigación. "¿Cuándo tienen los radiólogos la oportunidad de aprender de cientos de miles de diagnósticos de otros radiólogos y encontrar patrones en las imágenes que conducen a esos diagnósticos?"
El algoritmo, llamado CheXNet, también puede diagnosticar otras 13 afecciones médicas, incluidos el enfisema y el neumotórax (aire atrapado entre el pulmón y la pared torácica). El equipo construyó el algoritmo usando un conjunto de datos públicos de los Institutos Nacionales de Salud (NIH), que contenía más de 100, 000 imágenes de rayos X de tórax etiquetadas con 14 condiciones posibles. El conjunto de datos se publicó junto con un algoritmo de diagnóstico inicial, que NIH alentó a otros investigadores a avanzar.
Rajpurkar y sus compañeros miembros del Grupo Machine Learning decidieron asumir el desafío. Los investigadores hicieron que cuatro radiólogos de Stanford marcaran posibles indicaciones de neumonía en 420 de las imágenes. Utilizando estos datos, en una semana crearon un algoritmo que podría diagnosticar con precisión 10 condiciones. En un mes, el algoritmo podría superar a los algoritmos anteriores al diagnosticar las 14 condiciones. En este punto, los diagnósticos CheXNet coincidieron con una opinión mayoritaria de los radiólogos con más frecuencia que una opinión individual de un radiólogo.
La investigación fue publicada este mes en el sitio web de preimpresión científica arXiv .
Otros algoritmos de diagnóstico han sido noticia recientemente. Los equipos canadienses e italianos han desarrollado algoritmos para diagnosticar la enfermedad de Alzheimer a partir de escáneres cerebrales. La distribución de las placas en el cerebro que caracterizan la enfermedad es demasiado sutil a simple vista, pero los investigadores dicen que la tecnología de IA puede detectar patrones anormales. Rajpurkar y sus colegas investigadores del Grupo de Aprendizaje Automático de Stanford también han desarrollado un algoritmo para diagnosticar arritmias cardíacas, analizando horas de datos de monitores cardíacos portátiles. Se han desarrollado otros algoritmos de neumonía a partir de los datos de los NIH, pero el de Stanford es hasta ahora el más preciso.
El equipo dice que CheXNet podría ser especialmente útil en lugares donde las personas no tienen fácil acceso a radiólogos experimentados. También podría ser útil como una especie de triaje, identificando qué casos probablemente necesitan atención de emergencia y cuáles no. El equipo también desarrolló una herramienta que produce un mapa de indicadores potenciales de neumonía en rayos X, que proporciona una guía visual útil para los médicos.
Si bien el equipo es optimista sobre las capacidades de diagnóstico de CheXNet, son cautelosos sobre sus límites.
"La IA es una herramienta poderosa, pero lleva años de experiencia y muchas horas difíciles intuir cómo manejarla, y es igual de difícil determinar dónde podemos usarla para obtener el mayor impacto positivo", dice Rajpurkar.
Si bien hay una serie de algoritmos de aprendizaje profundo en desarrollo, ninguno ha pasado por el riguroso proceso de prueba y aprobación necesario para su uso en pacientes reales.
Paul Chang, profesor de radiología y vicepresidente del departamento de radiología de la Universidad de Chicago, suena una nota escéptica sobre CheXNet y programas similares de aprendizaje profundo. Los médicos ya usan algoritmos para ayudar en el diagnóstico de cualquier cantidad de afecciones, dice Chang. Estos algoritmos se basan en un modelo preformado de cómo se ve la condición: los cánceres son más grandes y más agudos que las masas benignas, por ejemplo. Los programas de aprendizaje profundo, en contraste, están destinados a descubrir qué características son importantes por sí mismas, al procesar enormes cantidades de datos. Pero esto también significa que pueden tomar las señales equivocadas. Chang da el ejemplo de un algoritmo de aprendizaje profundo que aprendió la diferencia entre varios tipos de rayos X: manos, pies, mamografías. Pero los investigadores descubrieron que el programa simplemente había aprendido a reconocer las mamografías por el hecho de que la imagen principal estaba en el costado de la película en lugar de en el centro (dado que los senos están unidos a la pared torácica, aparecen en el borde de la película en un imagen de mamografía: las manos o los pies, en contraste, aparecerán en el centro de la radiografía). El algoritmo no estaba aprendiendo nada significativo sobre los senos, solo sobre su posición en la pantalla.
"Esto es muy temprano", dice Chang, quien señala que los resultados de CheXNet no han sido revisados por pares. “El aprendizaje profundo tiene un gran potencial, pero nosotros en medicina y radiología tendemos a estar en una etapa temprana del ciclo exagerado, pero nos lleva más tiempo adoptarlo. Aprenderemos cómo consumirlo adecuadamente ".
