La medicina y la tecnología son dos ramas que han encontrado en la Inteligencia Artificial un nexo de unión muy interesante. Gran parte de los diagnósticos de enfermedades se realizan de forma visual identificando tejidos extraños en radiografías o ecografías.

Noticias relacionadas

Para evitar cualquier tipo de error de ojo humano, se emplean algunas técnicas de reconocimiento automático de este tipo de tejidos. Una práctica que siempre debe estar supervisada y respaldada por personal sanitario.

La última de las iniciativas en salir a la luz se centra en la identificación de tumores cerebrales aplicando este tipo de nuevas tecnologías. Como punta de lanza tecnológica tenemos a Intel y a la Facultad de Medicina de Perelman de la Universidad de Pennsylvania como líder del segmentos científico del proyecto.

Cómo entrenar a tu algoritmo

El entrenamiento de los algoritmos de Inteligencia Artificial es uno de los procesos más complicados. Para que el funcionamiento se vaya afinando y consiga 'entrenarse' necesita de una ingente cantidad de casos de estudio donde ir aplicando sus técnicas de reconocimiento.

Investigador @thisisengineering en Unsplash Omicrono

Esta línea de acción es una de las más importantes para Intel. "La Inteligencia Artificial tiene un gran potencial en la detección de precoz de tumores cerebrales, pero para materializar todo ese potencial se requieren más datos de los que ningún centro médico puede reunir por sí solo", ha declarado Jason Martin, ingeniero principal de Intel Labs.

Para seguir adelante con el proyecto, tanto Intel como la Universidad de Pennsylvania están colaborando con una federación de 29 centros médicos para "avanzar en la identificación de tumores cerebrales", recalca Martin. Sería el equivalente a alimentar una máquina de aprendizaje que solo con el análisis preliminar de una gran cantidad de casos de todo tipo puede ofrecer buenos resultados.

Del mismo modo, con el fin de proteger la privacidad de los pacientes, la Inteligencia Artificial desarrollada se basa en el denominado aprendizaje federado (traducción literal de federated learning, en inglés). Est técnica de machine learning se basa en el entrenamiento de los algoritmos de forma distribuida a través de dispositivos en todo el mundo sin intercambiar sus datos. En este caso, sin compartir los datos personales médicos de los pacientes.

Esquema de federated learning Intel Omicrono

"La comunidad científica entiende que el entrenamiento del aprendizaje automático requiere conjuntos de datos amplios y diversos que ninguna institución puede reunir por sí sola", ha explicado el Doctor Spyridon Bakas, del Centro de Computación y Analítica de Imagen Biomédica de la Universidad de Pennsylvania.

"Este año, la federación [de los 29 organismos] comenzará a desarrollar algoritmos para identificar tumores cerebrales mediante una versión expandida del conjunto de datos procedente del Desafío Internacional de Segmentación de Tumores Cerebrales", recalcó Bakas. Gracias a la cantidad de datos que van a recibir, se impulsará aún más el desarrollo del algoritmo. 

Google contra el cáncer

Otra de las gigantes involucradas en la investigación y creación de algoritmos contra el cáncer es Google. Los californianos tienen en su poder varios proyectos de Inteligencia Artificial muy avanzados capaces de detectar el cáncer de mama.

Las mamografías, según la Sociedad Americana del Cáncer, fallan alrededor de 1 de cada 5 veces. Un porcentaje demasiado alto de falsos negativos a los que Google quiere poner fin lo antes posible.

Cáncer de mama detectado mediante Inteligencia Artificial NORTHWESTERN UNIVERSITY Thomson Reuters

Según los últimos datos publicados, su herramienta es capaz de detectar el cáncer de mama en el 90,6% de los casos. Arrojando tan solo un 9,4% de los denominados falsos negativos. La aplicación del algoritmo no necesita de más pruebas de las que ya tienen los médicos, evitando que los pacientes se tengan que someter a más exámenes.

Para entrenar este algoritmo se usaron 28.000 mamografías de mujeres estadounidenses y británicas. El sistema analizó de una en una los tejidos que podrían indicar la presencia de tumores. Y, para comprobar la fiabilidad, se compararon los resultados del algoritmo con los diagnósticos reales.