Un grupo internacional de investigadores, entre los que se encuentran miembros del
Instituto de Física Corpuscular (IFIC), centro mixto del Consejo Superior de
Investigaciones Científicas (CSIC) y la Universitat de València, publican un estudio en una
de las revistas médicas de mayor difusión mundial en el que demuestran que las técnicas
de Inteligencia Artificial, usadas en combinación con la evaluación de radiólogos
expertos, mejoran la precisión de la detección de cáncer mediante mamografías. El
estudio, publicado en Journal of the American Medical Association, se basa en los
resultados obtenidos en el Digital Mammography (DM) DREAM Challenge, una
competición internacional liderada por IBM donde participaron investigadores del IFIC
junto a científicos del Instituto de Telecomunicaciones y Aplicaciones Multimedia
(iTEAM) de la Universitat Politècnica de València.
El equipo de investigadores del IFIC y la 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”, dice 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”.
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 mejoraba 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 el que los participantes enviaban sus algoritmos
a los organizadores, que desarrollaron un sistema que los aplicaba directamente a los
datos.
“Este novedoso 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
diferentes, 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.
Referencias
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