Cuando hoy una persona llega a un hospital con síntomas de neumonía grave, lo primero que quieren hacer los médicos es confirmar o descartar que tenga COVID-19. Pero el análisis lleva horas (hasta un día entero) y, mientras tanto, el paciente debe ser tratado como si tuviera el nuevo coronavirus, que es altamente contagioso. Para eso se consumen recursos que escasean: una cama de internación en cuarentena, equipo de protección para el personal de salud. Si hubiera otra manera de diagnosticarlo, se ahorraría todo eso, además de tiempo. Pero para el ojo humano la radiografía, el primer estudio que se indica, muestra imágenes muy parecidas: pulmones infiltrados de fluidos.
Por infobae.com
¿Qué pasaría si la inteligencia artificial (IA) pudiera interpretar las placas de rayos X mejor que la inteligencia de las personas? Una serie de trabajos científicos ha aplicado las redes neuronales (sistemas de computación que imitan la conexión biológica de neuronas) para la clasificación de radiografías, con la idea de que el aprendizaje profundo y el aprendizaje automático, que son particularmente buenos para el reconocimiento de imágenes, pueden distinguir el daño que el COVID-19 hace a los pulmones del que provoca la neumonía común.
Una serie de estudios han mostrado una precisión de más del 95% para detectar la enfermedad en miles de pacientes no examinados; al mismo tiempo, muchos especialistas en medicina de imágenes han manifestado sus dudas.
“Por un lado están los desarrolladores e investigadores de la IA que argumentan que los métodos de entrenamiento y prueba pueden, y deben, ser modificados para ajustarse a los contornos de la crisis; por otro lado están los escépticos que señalan las fallas en los diseños de los estudios y el número limitado de exploraciones pulmonares disponibles de los pacientes con coronavirus para entrenar los algoritmos de IA”, presentó Stat la polémica. También sostienen que las imágenes se deben utilizar con moderación durante la pandemia debido al riesgo de propagación de la infección a través de equipos contaminados. Por esas y otras razones, muchas sociedades radiológicas han recomendado que no se utilicen esas exploraciones, estén o no respaldadas por la IA, para la detección del Covid-19?.
Uno de los estudios que defienden este enfoque, “Clasificación del COVID-19 en radiografías de tórax con DeTraC”, de las universidad de Birmingham, Reino Unido, y Assiut, Egipto, argumentó: “Debido a la gran disponibilidad de conjuntos de datos de imágenes anotadas a gran escala, se ha obtenido mucho éxito usando redes neuronales convolucionales para el reconocimiento y la clasificación”.
Por ejemplo, recordaron Mohammed Abdelsamea y sus colegas, a partir de “tres rasgos estadísticos calculados de la textura pulmonar”, la IA puede “discriminar entre nódulos malignos y benignos”. A partir de una existencia básica de “suficientes imágenes anotadas, los enfoques de aprendizaje profundo han demostrado su superioridad sobre los más clásicos de aprendizaje de máquinas”.
Sin embargo, en una crisis que se desarrolló globalmente en menos de tres meses, no existe una reserva de imágenes anotadas como las hay, por ejemplo, del cáncer de pulmón. Es en ese escenario urgente de la pandemia del COVID-19 donde entra el método específico que propusieron los investigadores: “Un mecanismo eficaz que puede proporcionar una solución prometedora mediante la transferencia de información del reconocimiento genérico de objetos al específico”. Ellos desarrollaron un metodología, “llamada Descomponer, Transferir y Componer (DeTraC)”, específicamente para identificar esta nueva enfermedad en las radiografías de tórax.
Eligieron las redes neuronales convolucionales porque su arquitectura es “uno de las aproximaciones más populares al aprendizaje profundo con mejores logros en el dominio de las imágenes médicas”, explicaron. Eso se debe a que puede incorporar mucha información a partir de imágenes de un campo específico (como sería el COVID-19) y no sólo a partir de un gran archivo general, como suelen hacer los métodos clásicos de aprendizaje de máquinas. Se parte de una red previamente entrenada para otra tarea, y se la adapta a la nueva información.
“Este método es más rápido y fácil de aplicar sin necesidad de un enorme conjunto de datos anotados para la capacitación; por lo tanto, muchos investigadores tienden a aplicar esta estrategia especialmente con las imágenes médicas”, argumentaron. Y mostraron los resultados de sus experimentos: “DeTraC logró una alta fiabilidad, del 95,12% (con una sensibilidad del 97,91%, una especificidad del 91,87% y una precisión del 93,36%), en la detección de imágenes de rayos X de COVID-19”.
Otros modelos, como el de Alibaba, trabajan sobre imágenes de tomografías computadas: el algoritmo de IA del gigante tecnológico chino distinguió con un 96% de confiabilidad la neumonía común de la causada por el nuevo coronavirus, según un informe de Nikkei Asian Review. Y sólo demora 20 segundos.
Este desarrollo del instituto de investigación de Alibaba, Damo Academy, comenzó por entrenar el modelo de IA con datos de muestras de más de 5.000 casos confirmados. Se probó en el nuevo Hospital Qiboshan de Zhengzhou, en la provincia de Henan, que se hizo a partir del modelo del Hospital Xiaotangshan de Beijing, erigido en 2003 durante la crisis del síndrome respiratorio agudo grave (SARS), y se llevó a más de 100 instituciones médicas en las provincias de Hubei, Guangdong y Anhui.
Y a diferencia de estos dos modelos, el llamado COVID-Net, que se hizo público el 24 de marzo, es de acceso abierto para que todos los investigadores del mundo que lo deseen puedan perfeccionar una herramienta de IA para detectar la enfermedad que causa el SARS-CoV-2.
“COVID-Net es una red neuronal convolucional”, explicó MIT Technology Review. “Desarrollada por Linda Wang y Alexander Wong en la Universidad de Waterloo y la empresa DarwinAI en Canadá, COVID-Net fue entrenada para identificar signos de COVID-19 en radiografías de tórax a partir de 5.941 imágenes tomadas de 2.839 pacientes con diversas condiciones pulmonares, incluyendo infecciones bacterianas, infecciones virales causadas por otros agentes y por COVID-19. El conjunto de datos se proporciona junto con la herramienta para que los investigadores, o cualquiera que quiera retocarlo, pueda explorarlo y ajustarlo”.
Según el estudio que la presentó, esta red tiene por fin “impulsar el desarrollo de soluciones de aprendizaje profundo muy precisas y prácticas para detectar los casos de COVID-19 y acelerar el tratamiento de aquellos que más lo necesitan”.
Sin embargo, no todos han mostrado tanto entusiasmo. “He revisado el trabajo sobre IA y COVID, y no soy una gran fan”, dijo a Stat Ella Kazerooni, radióloga del Centro Médico de la Universidad de Michigan. Su duda principal es si la IA puede diferenciar entre el cuadro que causa en los pulmones el nuevo coronavirus y el que causan otras enfermedades del tracto respiratorio inferior, dado que “los sistemas han sido entrenados para enfocarse sobre todo en pacientes enfermos de gravedad, y no representan los matices que se encuentran en los escenarios clínicos reales”. Es decir que si sólo se tienen escaneos normales y escaneos anormales, pero nada en el medio, la IA “no resulta muy útil”.
Por otro lado —agregó Stat— las gran mayoría de las imágenes de rayos X que se han empleado son de pacientes chinos y fueron realizadas en las primeras semanas de la pandemia. Es decir que, a medida que el coronarivus se extendió por Europa y los Estados Unidos, afectó a pacientes con otras condiciones sociales, económicas y ambientales, lo cual puede influir en el modo en que se presenta la infección.
Todas esas cuestiones, sumadas a la posibilidad de que el virus quede en los equipos médicos, han hecho que el Colegio Nacional de Radiología de los Estados Unidos “recomiende usar moderadamente las imágenes de tomografías de pacientes hospitalizados, o hacerlo mediante instrumentos portátiles fuera de las instalaciones médicas”, informó The Next Web. “El Centro para el Control y la Prevención de Enfermedades (CDC) se hizo eco de estas preocupaciones La agencia no recomienda el uso de imágenes de tomografías para detectar el COVID-19. En cambio, dice que el análisis viral sigue siendo el único método específico de diagnóstico”.
Y entonces se vuelve al punto de partida: dada la falta de kits para análisis de laboratorio, además de la demora de los resultados y la escasez de recursos, la IA sería una herramienta de gran valor para los sistemas de salud y los pacientes.
Algunos desarrolladores como RADLogics, confían en los niveles de precisión altos: los que obtuvieron en sus estudios iniciales “se mantienen en el mundo real a medida que comienzan a desplegar sus productos en los hospitales”, dijo Moshe Becker, director ejecutivo de la compañía de software para uso en radiología, a Stat. “Estamos viendo rendimiento similares”.
Sobre la base de su investigación, realizada junto con médicos del Hospital Mount Sinai de Nueva York y la Universidad de Maryland, RADLogics ha solicitado a la Administración de Alimentos y Medicamentos (FDA), una autorización para el “uso de emergencia” de la IA en el diagnóstico de COVID-19 en los Estados Unidos, y busca un permiso similar en Europa. Su método se utiliza ya en 10 hospitales de China, Rusia e Italia.