La Inteligencia Artificial (IA), el Aprendizaje Automático, traducción del término en inglés conocido como Machine Learning, y el Aprendizaje Profundo o Deep Learning, se han convertido en las tecnologías de las que más se habla actualmente.

Estas innovaciones están siendo utilizadas para crear máquinas y aplicaciones inteligentes. Y aunque estos términos están dominando los diálogos tecnológicos, empresariales y científicos en todo el mundo, muchas personas tienen dificultades para diferenciarlos. Los tres términos se utilizan a menudo indistintamente, pero no se refieren exactamente a lo mismo.

La Inteligencia Artificial se refiere a la creación de máquinas inteligentes, basándose para esto en la capacidad de un sistema de computación de interpretar datos, aprender de dichos datos y emplearlos en el logro de tareas o metas, adaptando flexiblemente los conocimientos adquiridos (1). 

El aprendizaje automático es un subconjunto de la inteligencia artificial que le ayuda a crear aplicaciones basadas en IA, almacenando un gran conjunto de datos, que posteriormente se utiliza para entrenar modelos de predicción e interpretar generalizaciones (2).

El aprendizaje profundo, la rama más nueva del aprendizaje automático, utiliza los datos almacenados y modelos creados por el aprendizaje automático para establecer un sistema de redes neuronales artificiales (2) (3).

¿De donde surge esta necesidad de aplicar estas tecnologías en la detección del cáncer de mama?

La mamografía realizada con fines de pesquisa, a pesar de todas las controversias que pudiesen existir en diversos aspectos inherentes a su práctica, ha demostrado su capacidad para reducir significativamente la mortalidad por cáncer en los diferentes estudios realizados.

Esto causa que sea una prioridad que los especialistas en radiología deban evaluar anualmente estas imágenes en grandes cantidades, con alta precisión y con un reporte rápido.

Detectar anomalías y clasificar lesiones en un órgano imagenológicamente heterogéneo plantea muchos desafíos para los radiólogos. Por ejemplo, el aumento de la densidad mamaria y la administración de terapia hormonal de remplazo confiere mayor probabilidad de que se pase por alto el diagnóstico de algunas lesiones debido a los cambios en la composición de la mama y a la superposición de estructuras que pudiesen ocultarlas, lo que se traduce en la posibilidad de que se cometan errores potenciales durante este cribado. Por lo tanto, la investigación actual se centra en mejorar los resultados de detección y diagnóstico de modalidades como la mamografía y el ultrasonido mamario mediante la integración de métodos informáticos, como los anteriormente mencionados.

Esto originó que surgiera un campo dentro de la imagenología conocido como la radiología computacional, donde su soporte principal es el uso de la inteligencia artificial (4).

¿Que funciones cumple la radiología computacional?

La radiología computacional tiene como planteamiento la creación de modelos informáticos diseñados para manejar grandes conjuntos de datos de imágenes que tengan una alta capacidad de procesamiento. Lo cual implica realizar procedimientos que antes eran llevados a cabo por expertos, dentro de los que se incluye la visión y detección de lesiones por computadora así como el reconocimiento de sus patrones y su posterior clasificación según el sistema de reporte BIRADS, (acrónimo en inglés de Breast Imaging Reporting and Data System) para finalmente elaborar un informe sistemático, en el que se establece un diagnóstico. También comprende la extracción de biomarcadores de imágenes para modelar respuestas terapéuticas basadas en valores predictivos y pronósticos (4).

¿Como actúa la inteligencia artificial en la evaluación de estas imágenes?

La inteligencia artificial en conjunto con sus subdominios de aprendizaje automático y aprendizaje profundo pone en práctica tareas como la detección de masas en imágenes mamarias, siendo sus dos operaciones fundamentales la detección de objetos a la cual se le definen características precisas para posteriormente clasificarlos, por ejemplo, benigno frente a maligno. Estas operaciones suelen solaparse en el proceso de análisis de imágenes. De esta manera se facilita el diagnóstico precoz del cáncer (4).

¿Que otros métodos están siendo utilizados en la inteligencia artificial?

La radiómica. Esta técnica utilizada en la IA extrae aspectos cuantitativos de una imagen denominados características. Esto suele ocurrir mediante algoritmos de reconocimiento de patrones que reconocen imágenes y proporcionan como resultado un conjunto de números que representan una característica cuantitativa de la parte de la imagen que se está viendo (3).

La radiómica se basa en la idea de que las características extraídas representan diversas actividades que tienen lugar a nivel genético y molecular.

El aprendizaje automático aplica algoritmos computacionales que hacen uso de las características de la imagen extraídas mediante el empleo de la radiómica para ayudar a comprender los resultados de las enfermedades (3).

¿Existe algún tipo de riesgo en la aplicación de estos modelos informáticos?

Estas técnicas son innovadoras y ayudan en el diagnóstico precoz y la atención de calidad al paciente. Sin embargo, el uso de la IA tiene sus limitaciones, debido a que existen posibles riesgos éticos a tener en cuenta como la confidencialidad de los datos, la violación de la intimidad, la autonomía de los pacientes, el consentimiento, etc. por lo que deberían existir normativas legales para regular su uso.

Es posible que algún día la IA sustituya muchas de las funciones que desempeña un radiólogo y es seguro que, si no lo sustituye, ayudará al radiólogo a llegar a conclusiones.

Con más investigación y una mejora de la tecnología, debería ser posible popularizar los métodos de pesquisa general basados en IA, mejorando la calidad de vida general de las pacientes con cáncer.