Perspectivas de Anant Madabhushi, PhD, especialista en IA en atención dermatológica

dijo Anant Madabushi, Ph.D., FAIMBE, FIEEE, FNAI y profesor de la Universidad de Emory, al comienzo de su discurso de apertura. «Mientras pensamos en la inteligencia artificial, creo que la inteligencia artificial puede ser un traductor para todas las enfermedades». Ha publicado más de 450 manuscritos, posee más de 100 patentes, ha recibido más de $80 millones en subvenciones para investigación y tiene la distinción de ser un líder mundial en inteligencia artificial (IA) para mejorar los resultados de los pacientes con cáncer. Destacó el potencial de la IA para mejorar la precisión y la eficiencia del diagnóstico del cáncer, así como para crear una plataforma que ayude a tomar decisiones de tratamiento más informadas, en su sesión «Traductor de enfermedades: aplicaciones de la IA a problemas en el cáncer de piel y más allá» en el 2023 Colegio Americano de Cirugía de Mohs en Seattle, Washington.¹

Seguridad laboral con inteligencia artificial

Una de las preguntas más comunes que hace Madaboshi es si la IA reemplazará los trabajos de patología. La respuesta corta a eso es no, solo ayuda en áreas con disparidades en la atención médica. El papel de la IA y las imágenes computacionales ayudarán en las tareas de diagnóstico, pronóstico y predicción para ahorrar tiempo a los dermatólogos.

Citó un estudio que muestra una evaluación de la escasez de patólogos en todo el mundo en 134 países y regiones, lo que representa el 95 % de la población mundial. Dado que actualmente no existe una base de datos para encontrar a todos los patólogos del mundo, los resultados del estudio se calcularon utilizando recursos como revistas, comunicación con sociedades profesionales y el Informe de la fuerza laboral de salud de la OMS. Los resultados muestran que hay 1 médico por cada 125 médicos, y el 70% de la fuerza laboral de patología se concentra en 10 países principalmente en los Estados Unidos, India, China, Brasil y Rusia.²

Primera experiencia con redes neuronales

“Creo que podemos llamarlo vino viejo en una botella nueva porque el aprendizaje profundo se basa en un algoritmo de aprendizaje automático llamado redes neuronales de la década de 1960”, dijo Madaboshi. Continuó explicando que durante la última década, se pueden construir mayores capacidades computacionales con mejores algoritmos con la capacidad para tareas complejas. Uno de los primeros ejemplos de este enfoque de Madaboshi para la patología digital fueron las imágenes de cáncer de mama, que se anotaron para la ubicación de las células cancerosas y se enviaron al algoritmo. El algoritmo pudo aprender representaciones asociadas con las células cancerosas y utilizó esas representaciones para identificar células cancerosas en las nuevas imágenes. Explicó: «La belleza de este enfoque es que, sin saber nada sobre la patología, uno de mis estudiantes pudo entrenar algoritmos basados ​​​​solo en la ubicación de estas células cancerosas proporcionada por el patólogo».

La inteligencia artificial no siempre es más inteligente

Mientras Madabushi había estado trabajando con la Universidad de Pensilvania hace 6 años, el equipo de investigadores analizó biopsias endocárdicas para predecir la presencia de insuficiencia cardíaca a partir de biopsias dirigidas a MMI. Trabajaron con casi 100 imágenes de pacientes sometidos a trasplantes de corazón para alimentar el algoritmo. Al medir la efectividad, el algoritmo arrojó una precisión del 97%. Para una mayor validación, las mismas imágenes se enviaron a un cardiólogo para determinar la presencia o ausencia de insuficiencia cardíaca, y el algoritmo de IA aún era un 20 % más preciso que el patólogo. No hace falta decir que Madabushi y su equipo estaban emocionados y la investigación fue noticia.³

La misma técnica se probó varios meses después y el rendimiento se redujo de un 97 % de precisión a un 75 %. Le da crédito a un estudiante de posgrado por darse cuenta de que una actualización de software remota en la tecnología alteró sutilmente la apariencia de las imágenes, interrumpiendo el rendimiento. El punto, dijo Madabushi, es que debemos tener mucho cuidado al confiar en estos algoritmos de fuerza bruta, especialmente para problemas en medicina y problemas en el cuidado de la salud. Una de las cosas que nuestro grupo ha tratado de hacer es descubrir formas en las que puede tratar de abordar intencionalmente algunas de estas diferencias en lo que se llama efectos combinados: el hecho de que cuando obtiene datos de un laboratorio y otro laboratorio, hay diferencias en la forma en que se modifican estos chips».

Pensamientos finales

Madabushi compartió una variedad de estudios recientes de IA que dirigió para investigar el diagnóstico automatizado del cáncer de piel no melanoma⁴Ese fue un estudio publicado el año pasado. También proporcionó información sobre un estudio preliminar sobre la detección de carcinoma de células escamosas a partir de portaobjetos congelados teñidos con hematoxilina y eosina en la cirugía de Mohs. Ambos estudios dieron a los asistentes una idea de cómo la tecnología de IA podría ayudar y asistir en su trabajo diario en el campo de la dermatología en el futuro.

El orador principal explicó que la IA no es mágica y necesita un desarrollo reflexivo y deliberado. El análisis computacional combinado con imágenes y datos de rutina puede ayudar a abordar preguntas en la medicina de precisión, específicamente el pronóstico y la predicción de la respuesta al tratamiento. El desarrollo de la IA tiene importantes aspectos positivos, como un menor costo, ahorro de tiempo y disponibilidad. Hizo una comparación directa de que una prueba molecular cuesta alrededor de $ 4,000, toma dos semanas obtener los resultados, el acceso es solo en los EE. UU. y se destruye una muestra de tejido. Mientras tanto, una prueba de patología que utiliza tecnología de inteligencia artificial cuesta $ 4, arroja resultados en 20 minutos, tiene acceso en todo el mundo y la muestra de tejido está digitalizada.

Referencias

1. Madabhushi, A. Intérprete de enfermedades: aplicaciones de inteligencia artificial a problemas en el cáncer de piel y más allá. Presentado en: Reunión del Colegio Estadounidense de Cirujanos de 2023; 4-7 de mayo de 2023; Seattle, Washington.

2. Bychkov A, Fukuoka J. Evaluación de la presentación global de patólogos. Patología moderna. 2022; 35: 1473-1522. doi: 10.1038/s41379-022-01050-6

3. Nirschl JJ, Janowczyk A, Peyster EG, et al. Un clasificador de aprendizaje profundo identifica a los pacientes con insuficiencia cardíaca clínica utilizando imágenes de diapositivas completas de H&E de tejidos. Mas uno. 2018; 13 (4): e0192726. Publicado el 3 de abril de 2018. doi: 10.1371/journal.pone.0192726

4. Zhou Y, Koyuncu C, Lu C, et al. Aprendizaje profundo calibrado de órganos multisitio (MuSClD): diagnóstico automatizado de cáncer de piel no melanoma. Anal de imagen médica. 2023; 84: 102702. doi: 10.1016/j.media.2022.102702