Inteligencia artificial utilizada para identificar el cáncer de piel

Con la esperanza de crear un mejor acceso a la atención médica, los investigadores de Stanford han entrenado un algoritmo para diagnosticar el cáncer de piel.

Ya es bastante aterrador pedir una cita con el médico para ver si un lunar extraño podría ser canceroso. Imagínese, entonces, que se encontrara en esa situación y al mismo tiempo viviera lejos del médico más cercano, sin poder ausentarse del trabajo y sin estar seguro de tener el dinero para cubrir el costo de la visita. En un escenario como este, la opción de recibir un diagnóstico a través de su teléfono inteligente podría salvarle la vida.

Un dermatólogo utiliza un dermatoscopio, un tipo de microscopio de mano, para observar la piel. Los científicos informáticos de Stanford han creado un algoritmo de diagnóstico artificialmente inteligente para el cáncer de piel que iguala el desempeño de los dermatólogos certificados. (Crédito de la imagen: Matt Young)

El acceso universal a la atención sanitaria estaba en la mente de los informáticos de Stanford cuando se propusieron crear un algoritmo de diagnóstico artificialmente inteligente para el cáncer de piel. Crearon una base de datos de casi 130.000 imágenes de enfermedades de la piel y entrenaron su algoritmo para diagnosticar visualmente un posible cáncer. Desde la primera prueba, funcionó con una precisión inspiradora.

"Nos dimos cuenta de que era factible, no sólo hacer algo bien, sino también como un dermatólogo humano", dijo Sebastian Thrun, profesor adjunto en el Laboratorio de Inteligencia Artificial de Stanford. “Fue entonces cuando nuestra forma de pensar cambió. Fue entonces cuando dijimos: 'Mira, esto no es sólo un proyecto de clase para estudiantes, es una oportunidad para hacer algo grandioso por la humanidad'”.

El producto final, tema de un artículo en la edición del 25 de enero de Nature, fue probado con 21 dermatólogos certificados. En sus diagnósticos de lesiones cutáneas, que representaban los cánceres de piel más comunes y mortales, el algoritmo igualó el desempeño de los dermatólogos.

Cada año hay alrededor de 5,4 millones de nuevos casos de cáncer de piel en los Estados Unidos, y si bien la tasa de supervivencia a cinco años para el melanoma detectado en sus primeros estados es de alrededor del 97 por ciento, se reduce a aproximadamente el 14 por ciento si se detecta en sus últimas etapas. . La detección temprana probablemente podría tener un impacto enorme en los resultados del cáncer de piel.

El diagnóstico del cáncer de piel comienza con un examen visual. Un dermatólogo suele observar la lesión sospechosa a simple vista y con la ayuda de un dermatoscopio, que es un microscopio de mano que proporciona un aumento de bajo nivel de la piel. Si estos métodos no son concluyentes o hacen que el dermatólogo crea que la lesión es cancerosa, el siguiente paso es una biopsia.

La incorporación de este algoritmo al proceso de examen sigue una tendencia en la informática que combina el procesamiento visual con el aprendizaje profundo, un tipo de inteligencia artificial modelada a partir de redes neuronales en el cerebro. El aprendizaje profundo tiene una historia de décadas en la informática, pero sólo recientemente se ha aplicado a tareas de procesamiento visual, con gran éxito. La esencia del aprendizaje automático, incluido el aprendizaje profundo, es que una computadora está entrenada para resolver un problema en lugar de tener las respuestas programadas en él.

Andre Esteva (Image credit: Matt Young)

"Creamos un algoritmo de aprendizaje automático muy poderoso que aprende de los datos", dijo Andre Esteva, coautor principal del artículo y estudiante de posgrado en el laboratorio de Thrun. "En lugar de escribir en un código de computadora exactamente qué buscar, dejas que el algoritmo lo descubra".

El algoritmo alimentó cada imagen como píxeles sin procesar con una etiqueta de enfermedad asociada. En comparación con otros métodos para entrenar algoritmos, este requiere muy poco procesamiento u clasificación de las imágenes antes de la clasificación, lo que permite que el algoritmo trabaje con una variedad más amplia de datos.

En lugar de construir un algoritmo desde cero, los investigadores comenzaron con un algoritmo desarrollado por Google que ya estaba entrenado para identificar 1,28 millones de imágenes de 1.000 categorías de objetos. Si bien estaba preparado para poder diferenciar gatos de perros, los investigadores lo necesitaban para distinguir un carcinoma maligno de una queratosis seborreica benigna.

"No existe un gran conjunto de datos sobre el cáncer de piel con el que podamos entrenar nuestros algoritmos, por lo que tuvimos que crear el nuestro", dijo Brett Kuprel, coautor principal del artículo y estudiante de posgrado en el laboratorio de Thrun. "Recopilamos imágenes de Internet y trabajamos con la facultad de medicina para crear una buena taxonomía a partir de datos que eran muy confusos: solo las etiquetas estaban en varios idiomas, incluidos alemán, árabe y latín".

Después de realizar las traducciones necesarias, los investigadores colaboraron con dermatólogos de Stanford Medicine, así como con Helen M. Blau, profesora de microbiología e inmunología en Stanford y coautora del artículo. Juntos, este equipo interdisciplinario trabajó para clasificar la mezcolanza de imágenes de Internet. Muchas de ellas, a diferencia de las tomadas por profesionales médicos, eran variadas en términos de ángulo, zoom e iluminación. Al final, acumularon alrededor de 130.000 imágenes de lesiones cutáneas que representan más de 2.000 enfermedades diferentes.

Brett Kuprel (Crédito de la imagen: cortesía de Brett Kuprel)

Durante las pruebas, los investigadores utilizaron sólo imágenes de alta calidad confirmadas por biopsia proporcionadas por la Universidad de Edimburgo y el Proyecto Internacional de Colaboración en Imágenes de la Piel que representaban los cánceres de piel más comunes y mortales: carcinomas malignos y melanomas malignos. Se preguntó a los 21 dermatólogos si, en función de cada imagen, procederían con la biopsia o el tratamiento, o tranquilizarían al paciente. Los investigadores evaluaron el éxito según la capacidad de los dermatólogos para diagnosticar correctamente lesiones cancerosas y no cancerosas en más de 370 imágenes.

El rendimiento del algoritmo se midió mediante la creación de una curva de sensibilidad-especificidad, donde la sensibilidad representaba su capacidad para identificar correctamente lesiones malignas y la especificidad representaba su capacidad para identificar correctamente lesiones benignas. Se evaluó mediante tres tareas de diagnóstico clave: clasificación del carcinoma de queratinocitos, clasificación del melanoma y clasificación del melanoma cuando se observa mediante dermatoscopia. En las tres tareas, el algoritmo hizo coincidir el desempeño de los dermatólogos con un área bajo la curva de sensibilidad-especificidad que ascendía al menos al 91 por ciento del área total del gráfico.

Una ventaja adicional del algoritmo es que, a diferencia de una persona, el algoritmo puede hacerse más o menos sensible, lo que permite a los investigadores ajustar su respuesta dependiendo de lo que quieran que evalúe. Esta capacidad de alterar la sensibilidad indica la profundidad y complejidad de este algoritmo. La arquitectura subyacente de fotografías aparentemente irrelevantes (incluidos perros y gatos) ayuda a evaluar mejor las imágenes de lesiones cutáneas.

Aunque este algoritmo existe actualmente en una computadora, al equipo le gustaría hacerlo compatible con teléfonos inteligentes en un futuro cercano, poniendo a nuestro alcance diagnósticos confiables de cáncer de piel.

“Mi principal momento eureka fue cuando me di cuenta de cuán omnipresentes serán los teléfonos inteligentes”, dijo Esteva. “Todo el mundo tendrá una supercomputadora en el bolsillo con varios sensores, incluida una cámara. ¿Qué pasaría si pudiéramos usarlo para detectar visualmente el cáncer de piel? ¿U otras dolencias?

El equipo cree que será relativamente fácil realizar la transición del algoritmo a dispositivos móviles, pero aún es necesario realizar más pruebas en un entorno clínico del mundo real.

"Los avances en la clasificación asistida por computadora de lesiones cutáneas benignas versus malignas podrían ayudar enormemente a los dermatólogos a mejorar el diagnóstico de lesiones desafiantes y brindar mejores opciones de manejo para los pacientes", dijo Susan Swetter, profesora de dermatología y directora del Programa de Lesiones Pigmentadas y Melanoma de la Stanford Cancer Institute y coautor del artículo. "Sin embargo, es necesaria una validación prospectiva rigurosa del algoritmo antes de que pueda ser implementado en la práctica clínica, tanto por profesionales como por pacientes".

Incluso a la luz de los desafíos que se avecinan, los investigadores tienen la esperanza de que algún día el aprendizaje profundo pueda contribuir al diagnóstico visual en muchos campos médicos.

Otros coautores de este trabajo de Stanford incluyen a Roberto Novoa, profesor clínico asistente de dermatología y patología, y Justin Ko, profesor clínico asociado de dermatología. Thrun también es fundador y presidente de Udacity. Blau también es director del Laboratorio Baxter de Biología de Células Madre y miembro de Stanford Bio-X, el Instituto Cardiovascular de Stanford, el Instituto de Investigación de Salud Infantil y el Instituto del Cáncer de Stanford.

El estudio fue apoyado por la Fundación Baxter, el Instituto de Medicina Regenerativa de California y los Institutos Nacionales de Salud.

Taylor Kubota, Servicio de Noticias de Stanford: (650) 724-7707, [email protected]

La plataforma anteriormente conocida como Twitter resulta ser una fuente sorprendente de conocimiento médico de alta calidad, dice el experto en ciencia de datos biomédicos James Zou.

Una enfermera de traumatología pediátrica que fue evacuada de los incendios forestales de Maui comparte los planes que ayudaron a mantener segura a su familia.

El becario de salud planetaria Minghao Qiu quiere cuantificar cómo afectará la creciente contaminación del aire provocada por los incendios forestales y las emisiones de combustibles fósiles a la salud humana.