La Inteligencia Artificial combinada con evaluaciones de radiólogos mejora la precisión de las mamografías
UPV/DICYT Las técnicas de Inteligencia Artificial, utilizadas en combinación con la evaluación de radiólogos expertos, mejoran la precisión en la detección de cáncer mediante mamografías. Esta es una de las principales conclusiones de un estudio internacional, en el que han participado investigadores de la Universitat Politècnica de València (UPV), el CSIC y la Universitat de València, y que se ha publicado en una de las revistas médicas de mayor difusión mundial, el Journal of the American Medical Association.
El estudio se basa en los resultados obtenidos en el Digital Mammography (DM) DREAM Challenge, una competición internacional liderada por IBM donde participaron investigadores del Instituto de Física Corpuscular (IFIC, CSIC-UV) junto a científicos del Instituto de Telecomunicaciones y Aplicaciones Multimedia (iTEAM) de la UPV.
El equipo de investigadores del IFIC y el iTEAM UPV fue el único grupo español que consiguió llegar a la final del reto. Para ello desarrollaron desde cero un algoritmo de predicción basado en redes neuronales convolucionales, una técnica de Inteligencia Artificial que simula las neuronas de la corteza visual y permite la clasificación de imágenes, además del autoaprendizaje del sistema. También aplicaron principios relativos a la interpretación de rayos X, donde el grupo dispone de varias patentes. Los resultados del equipo valenciano junto al resto de finalistas son los que ahora se publican en Journal of the American Medical Association (JAMA Network Open).
“Haber participado en este reto ha permitido a nuestro grupo colaborar en proyectos de Inteligencia Artificial con grupos clínicos de la Comunidad Valenciana”, destaca Alberto Albiol, profesor titular de la UPV y miembro del grupo iTEAM. “Esto nos ha abierto oportunidades para aplicar las técnicas de Machine Learning, tal como se plantea en el artículo”, añade.
Por ejemplo, el trabajo realizado por los investigadores valencianos se está desarrollando en Artemisa, la nueva plataforma de computación para Inteligencia Artificial del Instituto de Física Corpuscular financiada por la Unión Europea y la Generalitat Valenciana dentro del Programa operativo FEDER de la Comunitat Valenciana 2014-2020 para la adquisición de infraestructuras y equipamiento de I+D+i.
“Diseñar estrategias para reducir costes operacionales de la sanidad es uno de los objetivos de aplicar de forma sostenible la Inteligencia Artificial”, destaca Francisco Albiol, investigador del IFIC participante en el estudio. “Los retos abarcan desde la parte algorítmica a diseñar conjuntamente estrategias basadas en evidencias junto con el sector médico. La Inteligencia Artificial aplicada a gran escala es una de las tecnologías más prometedoras para hacer la sanidad sostenible”, remarca.
El Digital Mammography (DM) DREAM Challenge tiene como objetivo involucrar a una amplia comunidad científica internacional (más de 1.200 investigadores de todo el mundo) para evaluar si los algoritmos de la Inteligencia Artificial pueden igualar o mejorar las interpretaciones de las mamografías realizadas por radiólogos.
“Este DREAM Challenge permitió una evaluación rigurosa y adecuada de decenas de avanzados algoritmos de aprendizaje profundo (deep learning) en dos bases de datos independientes”, explica Justin Guinney, vicepresidente de Oncología Computacional en Sage Bionetworks y presidente de los DREAM Challenges.
Medio millón de mamografías menos al año en EE.UU.
Dirigido por IBM Research, Sage Bionetworks y Kaiser Permanente Washington Research Institute, el Digital Mammography DREAM Challenge concluyó que, aunque ningún algoritmo por sí solo superó a los radiólogos, una combinación de métodos sumada a las evaluaciones de los expertos mejoraban la precisión de los exámenes. Kaiser Permanente Washington (KPW) y el Karolinska Institute (KI) de Suecia proporcionaron cientos de miles de mamografías y datos clínicos sin identificar.
“Nuestro estudio sugiere que una combinación de algoritmos de Inteligencia Artificial y las interpretaciones de los radiólogos podrían conseguir que medio millón de mujeres al año no tengan que someterse a pruebas de diagnóstico innecesarias sólo en los Estados Unidos”, resume Gustavo Stolovitzky, director del programa de IBM dedicado a Biología Traslacional de Sistemas y Nanobiotecnología en el Centro de Investigación Thomas J. Watson, y fundador de los DREAM Challenges.
Para asegurar la privacidad de los datos y evitar que los participantes descargasen mamografías con datos sensibles, los organizadores del estudio aplicaron un sistema de trabajo desde el modelo a los datos. En él los participantes enviaban sus algoritmos a los organizadores, que desarrollaron un sistema que los aplicaba directamente a los datos.
“Este enfoque para compartir datos es particularmente innovador y esencial para preservar la privacidad de los datos”, asegura Diana Buist, del Kaiser Permanente Washington Health Research Institute. “Además, la inclusión de datos de dos países distintos, con diferentes prácticas a la hora de realizar mamografías, señala importantes diferencias traslacionales en la forma en que la Inteligencia Artificial podría utilizarse en diferentes poblaciones”.
Las mamografías son la técnica de diagnóstico más usada para la detección temprana del cáncer de mama. Aunque esta herramienta de detección es por lo común efectiva, las mamografías deben ser evaluadas e interpretadas por un radiólogo, que usa su percepción visual humana para identificar signos del cáncer. Así, se estima un 10% de ‘falsos positivos’ en las 40 millones de mujeres que se someten a mamografías programadas cada año en Estados Unidos.
“Un algoritmo efectivo de Inteligencia Artificial que pueda aumentar la capacidad del radiólogo de reducir la repetición de pruebas innecesarias a la vez que detecta cánceres clínicamente significativos ayudaría a aumentar el valor de la detección de las mamografías, mejorando eficazmente la relación daño-beneficio”, opina el doctor Christoph Lee, de la Washington School of Medicine.
Referencia bibliográfica | |
“Evaluation of Combined Artificial Intelligence and Radiologist Assessment to Interpret Screening Mamograms”, JAMA Network Open. 2020;3(3):e200265. DOI:10.1001/jamanetworkopen.2020.0265 |