La inteligencia artificial se presenta con muchas caras, lo que nos presenta muchas posibilidades para utilizarla y sacarle el mayor partido posible.
De la Inteligencia Artificial aplicada a la salud, tratamos en un artículo anterior Inteligencia artificial en salud: qué es y qué tipos existen. De las otras caras de la IA en salud trataremos en próximos artículos.
Pero en esta ocasión vamos a centrarnos en una de las primeras aplicaciones de la IA en salud, yque todavía sigue teniendo un inmenso campo de posibilidades para su desarrollo.
Introducción: una nueva mirada sobre las imágenes médicas
Pocas áreas de la medicina han experimentado una transformación tan profunda por la inteligencia artificial como el diagnóstico por imagen.
La radiología, la monografía, la anatomía patológica, la oftalmología o la dermatología son especialidades que trabajan, en gran medida, con imágenes. Y las imágenes, precisamente, constituyen uno de los terrenos donde la inteligencia artificial ha demostrado una mayor capacidad de aprendizaje.
Durante décadas, el diagnóstico por imagen se ha apoyado en la experiencia, la formación y la capacidad de observación de los profesionales.
La llegada de la inteligencia artificial no ha cambiado esta realidad, pero sí ha añadido una nueva herramienta capaz de analizar miles o millones de imágenes en busca de patrones difíciles de detectar por el ojo humano.
No se trata de sustituir al radiólogo, al patólogo o al oftalmólogo.
Se trata de proporcionar una segunda mirada, una ayuda adicional y, en algunos casos, un sistema de alerta temprana que permita mejorar la precisión diagnóstica y la seguridad de los pacientes.
La IA aplicada a las imágenes médicas constituye uno de los mejores ejemplos de cómo la salud digital puede transformar la práctica clínica cotidiana.
Radiólogo analizando imágenes diagnósticas asistidas por inteligencia artificial.
¿Qué es la inteligencia artificial aplicada al diagnóstico por imagen?
Podemos definirla de una forma sencilla:
La inteligencia artificial aplicada al diagnóstico por imagen es el conjunto de algoritmos capaces de analizar imágenes médicas, identificar patrones y generar información útil para apoyar el diagnóstico, el pronóstico y la toma de decisiones clínicas.
Estas herramientas utilizan técnicas de aprendizaje automático y, especialmente, de aprendizaje profundo o deep learning, entrenadas con cientos de miles o incluso millones de imágenes previamente clasificadas por especialistas.
A partir de ese aprendizaje, los sistemas son capaces de reconocer anomalías y estimar la probabilidad de que una determinada lesión corresponda a una enfermedad concreta.
¿Por qué las imágenes son especialmente adecuadas para la inteligencia artificial?
La medicina actual genera un volumen extraordinario de imágenes médicas, nos estamos refiriendo a:
- Radiografías.
- Tomografías computarizadas (TC).
- Resonancias magnéticas.
- Mamografías.
- Ecografías.
- Retinografías.
- Imágenes dermatológicas.
- Preparaciones histológicas digitalizadas.
Un gran hospital puede producir varios millones de imágenes diagnósticas al año. Cada una de ellas contiene una enorme cantidad de información que, además, presenta patrones repetitivos susceptibles de ser aprendidos por los algoritmos.
Las imágenes constituyen, por tanto, un entorno ideal para el desarrollo de la inteligencia artificial.
Además, existe otro elemento importante: incluso los profesionales más experimentados pueden tener variabilidad en sus interpretaciones, especialmente cuando se trata de lesiones muy pequeñas o sutiles.
La inteligencia artificial puede ayudar a reducir esta variabilidad y actuar como un apoyo adicional.
¿Cómo aprende una inteligencia artificial a interpretar imágenes?
El proceso, aunque complejo desde el punto de vista tecnológico, puede entenderse de forma sencilla.
Miles o millones de imágenes previamente diagnosticadas por especialistas se utilizan para entrenar al algoritmo.
El sistema aprende qué características están asociadas a un tumor, una fractura, una hemorragia cerebral o una lesión pulmonar.
Tras este proceso de aprendizaje, el algoritmo es capaz de analizar nuevas imágenes y estimar la probabilidad de que presenten determinadas alteraciones.
La clave es que la IA no «ve» las imágenes como un ser humano. Analiza patrones matemáticos y relaciones entre millones de píxeles imposibles de procesar para el ojo humano.
Análisis digital por IA de una imagen diagnóstica, utilizada por el Radiólogo
¿Qué es y qué no es la inteligencia artificial aplicada al diagnóstico por imagen?
Sí es:
- Una herramienta de apoyo diagnóstico.
- Un sistema de detección y clasificación de patrones.
- Una ayuda para priorizar estudios y alertar sobre hallazgos importantes.
- Un instrumento para mejorar la precisión y la eficiencia.
No es:
- Un sustituto del especialista.
- Un sistema infalible.
- Una herramienta que pueda interpretar una imagen sin contexto clínico.
- Una tecnología capaz de eliminar la necesidad del juicio profesional.
La interpretación final continúa siendo responsabilidad del profesional sanitario.
Las principales aplicaciones actuales
Radiología
La radiología es probablemente el ámbito donde la inteligencia artificial ha alcanzado un mayor grado de desarrollo.
Actualmente existen sistemas capaces de:
- Detectar hemorragias cerebrales.
- Identificar fracturas.
- Reconocer nódulos pulmonares.
- Estimar el riesgo de enfermedades cardiovasculares.
- Analizar lesiones hepáticas o prostáticas.
En muchos hospitales estos sistemas ya se utilizan para priorizar los estudios más urgentes y reducir los tiempos de respuesta.
Mamografía y cáncer de mama
El cribado del cáncer de mama constituye uno de los ejemplos más estudiados.
La inteligencia artificial puede actuar como un segundo lector de las mamografías, ayudando a identificar lesiones que podrían pasar inadvertidas.
Diversos estudios han demostrado que determinados sistemas de IA alcanzan rendimientos diagnósticos comparables a los de especialistas experimentados y pueden reducir la carga de trabajo de los programas de cribado.
Mamografía digital y herramientas de detección asistida por IA.
Anatomía patológica digital
La digitalización de las preparaciones histológicas ha abierto un nuevo campo de aplicación.
Los algoritmos pueden:
- Detectar células tumorales.
- Cuantificar biomarcadores.
- Clasificar determinados tumores.
- Ayudar en la gradación histológica.
En algunos casos, la inteligencia artificial es capaz de identificar patrones microscópicos prácticamente imperceptibles para el ojo humano.
Oftalmología
La retinopatía diabética ha sido uno de los primeros ámbitos en los que se han aprobado sistemas de diagnóstico autónomo basados en inteligencia artificial.
La IA permite analizar retinografías e identificar pacientes con lesiones compatibles con retinopatía diabética, degeneración macular u otras patologías de la retina.
Esto resulta especialmente valioso en programas de cribado poblacional y en áreas con escasez de especialistas.
Dermatología
El análisis de imágenes cutáneas constituye otro campo en rápida expansión.
Los sistemas de inteligencia artificial pueden ayudar a:
- Identificar lesiones sospechosas de melanoma.
- Clasificar diferentes tipos de lesiones cutáneas.
- Priorizar las consultas dermatológicas.
No obstante, el contexto clínico y la exploración del paciente siguen siendo imprescindibles.
¿Qué beneficios puede aportar?
El principal beneficio es la mejora de la capacidad diagnóstica.
La inteligencia artificial aporta una ayuda inestimable a los profesionales para hacerles más fácil, con mayor acierto y con seguridad máxima:
- Detectar lesiones pequeñas o sutiles.
- Reducir errores de interpretación.
- Disminuir la variabilidad entre observadores.
- Priorizar estudios urgentes.
- Acortar tiempos de respuesta.
- Facilitar el acceso al diagnóstico en zonas con escasez de especialistas.
En un contexto de incremento continuo de la demanda de pruebas diagnósticas y de déficit de profesionales, estas herramientas pueden convertirse en un apoyo de enorme valor.
¿Cuáles son sus limitaciones?
Como toda tecnología, la inteligencia artificial aplicada al diagnóstico por imagen también presenta limitaciones.
La dependencia de los datos utilizados para entrenar los algoritmos. Si las imágenes de entrenamiento no representan adecuadamente a toda la población, pueden producirse sesgos y disminuir la precisión diagnóstica en determinados grupos de pacientes.
La falta de contexto clínico. Una imagen aislada no siempre contiene toda la información necesaria para llegar a un diagnóstico.
La denominada «caja negra». En muchos sistemas resulta difícil explicar exactamente cómo el algoritmo ha llegado a una determinada conclusión.
El riesgo de confiar excesivamente en las recomendaciones de la inteligencia artificial y reducir la capacidad crítica del profesional.
El futuro: una nueva alianza entre profesionales y algoritmos
Durante algún tiempo se pensó que la IA podría sustituir a los radiólogos y a otros especialistas en imagen. La realidad está demostrando exactamente lo contrario.
La medicina es mucho más que reconocer patrones en una imagen.
Exige integrar información clínica, comprender las circunstancias del paciente, valorar alternativas diagnósticas y comunicarse con otros profesionales y con el propio enfermo.
La inteligencia artificial es extraordinariamente buena detectando determinados patrones, pero sigue necesitando el conocimiento, la experiencia y el juicio de los profesionales.
El futuro más probable no será el de las máquinas sustituyendo a los especialistas, sino el de especialistas apoyados por máquinas cada vez más capaces.
En definitiva, la inteligencia artificial aplicada al diagnóstico por imagen no viene a reemplazar la mirada del médico, sino a ampliarla y enriquecerla.
Probablemente esta capacidad de ver más y mejor constituya una de las mayores revoluciones de la medicina del siglo XXI.
Ideas para recordar
- La inteligencia artificial en imagen médica es una herramienta de apoyo, no un sustituto del especialista.
- La radiología y la mamografía son actualmente los ámbitos más desarrollados.
- La oftalmología, la dermatología y la anatomía patológica están experimentando un crecimiento muy rápido.
- La calidad de los datos de entrenamiento es fundamental.
- El futuro pasa por la colaboración entre profesionales y algoritmos.
Referencias y recursos web
- Organización Mundial de la Salud. Ethics and Governance of Artificial Intelligence for Health
- Comisión Europea. Artificial Intelligence in Healthcare
- Radiological Society of North America (RSNA) – Artificial Intelligence Resources
- European Society of Radiology – Artificial Intelligence White Papers
- Sociedad Española de Radiología Médica (SERAM)
Bibliografía recomendada
- Deep Medicine. Basic Books; 2019.
- Artificial Intelligence in Healthcare. Academic Press; 2020.
- Radiological Society of North America. Artificial Intelligence Resources.
- European Society of Radiology. White Paper on Artificial Intelligence in Radiology.
- World Health Organization. Ethics and Governance of Artificial Intelligence for Health. Geneva; 2021.
JOSE IGNACIO NIETO GARCIA.
Exconsejero de Salud y de Salud y Servicios Sociales de La Rioja. Miembro del Comité Científico de la Fundación Economía y Salud. Miembro del Consejo Asesor de la Fundación Bamberg