Un equipo de investigación liderado por investigadores de National Institutes of Health (Institutos Nacionales de la Salud de los Estados Unidos) y Global Good han desarrollado un algoritmo informático que puede analizar imágenes digitales del cuello uterino de una mujer e identificar con precisión los cambios precancerosos que requieren atención médica. Este enfoque de inteligencia artificial (IA), denomindado como evaluación visual automatizada, tiene el potencial de revolucionar el monitoreo del cáncer cervical, particularmente en entornos de bajos recursos.
[/media-credit] El algoritmo podría revolucionar el monitoreo del cáncer cervical, especialmente en entornos de bajos recursos
Deep learning
El aprendizaje profundo descubre una estructura compleja en grandes conjuntos de datos utilizando el algoritmo de propagación hacia atrás para indicar cómo una máquina debe cambiar sus parámetros internos que se utilizan para calcular la representación en cada capa a partir de la representación en la capa anterior.
Permite que los modelos computacionales compuestos de múltiples capas de procesamiento aprendan representaciones de datos con múltiples niveles de abstracción. Estos métodos han mejorado dramáticamente el estado del arte en reconocimiento de voz, reconocimiento visual de objetos, detección de objetos y muchos otros dominios como el descubrimiento de fármacos y la genómica [2].[/recuadro]Para desarrollar el método, los investigadores utilizaron conjuntos de datos para «entrenar» un algoritmo de aprendizaje profundo –deep learning, proceso para descubrir estructuras complejas o escondidas- o automático para reconocer patrones en entradas visuales complejas, como son las imágenes médicas. El enfoque fue creado en colaboración por investigadores del National Cancer Institute (NCI, Instituto Nacional del Cáncer de los Estados Unidos) y Global Good, un proyecto de Intellectual Ventures, y los hallazgos fueron confirmados de forma independiente por expertos de la National Library of Medicine (NLM, Biblioteca Nacional de Medicina de los Estados Unidos). Los resultados aparecieron en el Journal of the National Cancer Institute (Diario del Instituto Nacional del Cáncer de los Estados Unidos) el 10 de enero de 2019 [1]. El NCI y la NLM son partes de los NIH.
«Nuestros hallazgos muestran que un algoritmo de aprendizaje profundo puede usar imágenes recolectadas durante la detección de rutina del cáncer cervical para identificar cambios precancerosos que, si no se tratan, pueden convertirse en cáncer«, dijo Mark Schiffman, MD, MPH, de la División de Epidemiología y Genética del Cáncer del NCI. , y autor principal del estudio. «De hecho, el análisis computarizado de las imágenes fue mejor para identificar el precáncer que un experto humano que revisa las pruebas de papanicolaou bajo el microscopio (citología)«.
El nuevo método tiene el potencial de ser de particular valor en entornos de bajos recursos. Los trabajadores de la salud en dichos entornos actualmente utilizan un método de detección llamado inspección visual con ácido acético (denominado como VIA, por las siglas en inglés de visual inspection with acetic acid). En este enfoque, un trabajador de salud aplica ácido acético diluido al cuello uterino e inspecciona el cuello uterino a simple vista, buscando «blanqueamiento del aceto», lo que indica una posible enfermedad. Debido a su conveniencia y bajo costo, VIA se usa ampliamente cuando no se dispone de métodos de detección más avanzados. Sin embargo, se sabe que es inexacto y necesita mejoras.
La evaluación visual automatizada es igualmente fácil de realizar. Los trabajadores de salud pueden usar un teléfono celular o un dispositivo móvil con cámara para la detección y el tratamiento cervical durante una sola visita. Además, este enfoque se puede realizar con una capacitación mínima, lo que lo hace ideal para países con recursos limitados para la atención médica, donde el cáncer cervical es una de las principales causas de enfermedad y muerte entre las mujeres.
Para crear el algoritmo, el equipo de investigación utilizó más de 60 mil imágenes cervicales de un archivo de fotografías del NCI recolectadas durante un estudio de detección de cáncer cervical que se llevó a cabo en Costa Rica en la década de 1990. Más de 9,400 mujeres participaron en ese estudio de población, con un seguimiento que duró hasta 18 años. Debido a la naturaleza prospectiva del estudio, los investigadores obtuvieron información casi completa sobre qué cambios cervicales se convirtieron en precursores y cuáles no. Las fotos se digitalizaron y luego se usaron para entrenar un algoritmo de aprendizaje profundo –deep learning– para que pudiera distinguir las condiciones cervicales que requieren tratamiento de las que no requieren tratamiento.
En general, el algoritmo se desempeñó mejor que todas las pruebas de detección estándar para predecir todos los casos diagnosticados durante el estudio de Costa Rica. La evaluación visual automatizada identificó el precáncer con mayor precisión (AUC = 0,91) que una revisión por expertos humanos (AUC = 0,69) o la citología convencional (AUC = 0,71). Un AUC de 0.5 indica una prueba que no es mejor que el azar, mientras que un AUC de 1.0 representa una prueba con perfecta precisión en la identificación de la enfermedad.
«Cuando este algoritmo se combina con los avances en la vacunación contra el VPH, las nuevas tecnologías de detección de VPH y las mejoras en el tratamiento, es posible que el cáncer cervical se pueda controlar, incluso en entornos de bajos recursos«, dijo Maurizio Vecchione, vicepresidente ejecutivo de Global Good.
Los investigadores planean seguir entrenando el algoritmo en una muestra de imágenes representativas de pre cáncer cervical y tejido cervical normal de mujeres en comunidades de todo el mundo, utilizando una variedad de cámaras y otras opciones de imagen. Este paso es necesario debido a las variaciones sutiles en la apariencia del cuello uterino entre las mujeres en diferentes regiones geográficas. El objetivo final del proyecto es crear el mejor algoritmo posible para un uso común y abierto[.]
[referencias]
