- Jheremy S. Reyes, MD, Cancer and Molecular Medicine Research Group (CAMMO), Bogota D.C., Colombia
- Cristian S. Cabezas, MD, Center for Image-Guided Neurosurgery, Department of Neurological Surgery, University of Pittsburgh Medical Center, Pittsburgh, Pennsylvania, USA
- Jheremy E. Reyes Castellanos. MD. MS, Computational Neurosurgery Research Group (CIGNS-CRG), Center for Image-Guided Neurosurgery, Department of Neurological Surgery, University of Pittsburgh Medical Center, Pittsburgh, PA, USA. Computational Neurosurgery Research Foundation (CNRF), Pittsburgh, PA, USA
Nota: Epicrisis es el órgano oficial de comunicación del Colegio Médico Colombiano. La opinión y conceptos personales expresados en los artículos firmados por un tercero no reflejan la posición de Epicrisis o del Colegio Médico Colombiano-CMC.
A veces, el cáncer empieza siendo apenas una sombra. Una pequeña alteración en una mamografía, una diferencia sutil en la densidad del tejido o una lesión de pocos milímetros que puede esconderse entre cientos de imágenes aparentemente normales. Para quien observa la imagen, puede ser un hallazgo difícil de reconocer. Para la mujer que está detrás de ella, puede representar la diferencia entre descubrir una enfermedad a tiempo o encontrarla cuando ya ha avanzado.
Durante décadas, la detección del cáncer de mama ha dependido de la capacidad de especialistas entrenados para reconocer esos cambios. La experiencia del radiólogo sigue siendo fundamental, pero hoy estamos comenzando a sumar una herramienta que puede observar las mismas imágenes de una manera completamente distinta. La inteligencia artificial no ve una mamografía únicamente como una imagen en blanco y negro. Para un algoritmo, cada píxel contiene información. La forma de una lesión, sus bordes, su textura, la distribución del tejido y cientos de patrones que pueden resultar prácticamente imperceptibles para el ojo humano pueden convertirse en datos que se analizan simultáneamente.
Esto no significa que una computadora haya aprendido a diagnosticar cáncer por sí sola ni que el médico esté dejando de ser necesario. Significa algo mucho más interesante: por primera vez podemos ofrecerle al especialista una segunda mirada capaz de revisar enormes cantidades de información sin cansarse, sin perder concentración y sin depender únicamente de lo que es evidente a simple vista.
En cáncer de mama, esa segunda mirada puede tener un enorme valor. Encontrar una lesión cuando todavía es pequeña puede cambiar el tipo de tratamiento necesario, la posibilidad de una cirugía menos extensa y, en muchos casos, el pronóstico de una paciente. Por eso, cuando hablamos de inteligencia artificial en este campo, no estamos hablando simplemente de hacer más rápido el trabajo de un radiólogo. Estamos hablando de la posibilidad de reconocer antes aquello que podría cambiar una vida.
Sin embargo, detectar una lesión es apenas el comienzo. Una vez identificada, necesitamos entenderla. Necesitamos saber exactamente dónde comienza, dónde termina, cuánto mide y cómo cambia con el tiempo. En medicina llamamos segmentación al proceso de delimitar una estructura dentro de una imagen. Tradicionalmente, un especialista puede tener que revisar una resonancia magnética corte por corte para dibujar los límites de un tumor y calcular su volumen. Es un trabajo que requiere tiempo, entrenamiento y, como cualquier proceso humano, puede variar ligeramente entre diferentes observadores.
La inteligencia artificial está comenzando a transformar también esta parte del proceso. Los sistemas de autosegmentación pueden identificar una lesión, delimitarla y calcular su volumen de manera automática. Lo que antes podía requerir una revisión manual prolongada puede convertirse en una primera evaluación realizada en segundos y posteriormente supervisada por el médico.
A primera vista podría parecer simplemente una forma de ahorrar tiempo, pero su importancia es mucho mayor. En oncología, medir bien importa. Una lesión que parece ligeramente más grande en una nueva resonancia podría estar creciendo, pero también podría existir una diferencia en la manera como fue medida. Si podemos delimitar los tumores de manera más consistente, podemos comparar mejor los estudios realizados en momentos diferentes y saber con mayor precisión si una enfermedad está avanzando, permaneciendo estable o respondiendo al tratamiento.
Es allí donde la inteligencia artificial empieza a dejar de ser únicamente una herramienta para encontrar cáncer y comienza a convertirse en una herramienta para comprenderlo.
Una imagen médica contiene mucha más información que aquella que normalmente describimos en un informe o reporte. La forma de un tumor, la irregularidad de sus bordes, su textura y la manera como capta contraste pueden convertirse en variables cuantificables. Esa información puede combinarse con la edad de una paciente, sus antecedentes, las características moleculares del tumor y su respuesta a tratamientos previos. De esta manera, la pregunta deja de ser solamente si existe o no una lesión.
Podemos empezar a preguntar qué comportamiento podría tener, qué pacientes tienen mayor riesgo, quién necesita un seguimiento más estrecho o qué tratamiento podría tener una mayor probabilidad de funcionar.
Ese probablemente sea uno de los cambios más profundos que la inteligencia artificial puede traer a la medicina. Durante años utilizamos las imágenes principalmente para observar el presente. Ahora estamos comenzando a explorar si también pueden ayudarnos a anticipar el futuro.
Pero avanzar hacia ese futuro requiere prudencia. La inteligencia artificial también puede equivocarse. Un algoritmo puede funcionar extraordinariamente bien en el hospital donde fue desarrollado y perder precisión cuando se utiliza en otra institución. Puede haber aprendido características relacionadas con un equipo específico de resonancia, con una determinada población o, incluso, con la manera particular como se obtuvieron las imágenes.
Por eso, crear un algoritmo nunca debería ser considerado el final del proceso. Es apenas el comienzo.
Si una herramienta va a ayudar a decidir sobre la salud de una persona, debemos demostrar que funciona en diferentes hospitales, en diferentes equipos y, sobre todo, en diferentes poblaciones. Este punto es especialmente importante para países como Colombia y para América Latina en general. No podemos asumir que una inteligencia artificial desarrollada principalmente con imágenes de pacientes de Estados Unidos o Europa tendrá exactamente el mismo desempeño en nuestras pacientes.
Necesitamos participar en el desarrollo de estas tecnologías, generar nuestros propios datos y validar los modelos en nuestros sistemas de salud. De lo contrario, corremos el riesgo de recibir dentro de algunos años herramientas extraordinariamente sofisticadas que nunca fueron realmente diseñadas pensando en nuestra población.
También tendremos que cambiar la manera como hablamos de inteligencia artificial. Con demasiada frecuencia, la conversación se reduce a una pregunta casi inevitable: ¿reemplazará la inteligencia artificial a los médicos?
Creemos que esa pregunta pierde de vista lo realmente importante.
El futuro de la medicina probablemente no será una competencia entre médicos y algoritmos. Será una colaboración entre ambos. Un radiólogo podrá utilizar inteligencia artificial para llamar su atención sobre una región que merece una segunda revisión. Un oncólogo podrá integrar cientos de variables que antes eran imposibles de analizar simultáneamente. Un cirujano podrá entender mejor la extensión de una lesión antes de entrar al quirófano. Y una paciente podrá recibir una respuesta más rápida y, potencialmente, más precisa.
La tecnología tendrá valor solamente si logra mejorar lo que ocurre entre el momento en que una mujer entra a un hospital con una preocupación y el momento en que recibe una respuesta.
Al final, ese debería ser nuestro objetivo. No crear algoritmos simplemente porque podemos hacerlo ni demostrar que una máquina es capaz de reconocer un tumor. El verdadero desafío es utilizar estas herramientas para detectar antes, medir mejor, entender más y tomar decisiones cuando todavía tenemos tiempo de cambiar la historia de una enfermedad.
Porque detrás de cada mamografía, de cada resonancia y de cada imagen que aparece en una pantalla no existe simplemente un conjunto de píxeles. Existe una persona esperando una respuesta. Y quizás una de las contribuciones más importantes de la inteligencia artificial en medicina no sea enseñarle a una máquina a ver el cáncer, sino ayudarnos a nosotros a verlo cuando todavía estamos a tiempo de hacer algo.
Deja un comentario
Lo siento, debes estar conectado para publicar un comentario.