Google y la dermatología.


  • Médicos e Internet
El acceso al contenido completo es sólo para profesionales sanitarios registrados. El acceso al contenido completo es sólo para profesionales sanitarios registrados.

Cuando hace unos años hablábamos del doctor Google inmediatamente pensábamos en la ingente cantidad de información a la que se podía acceder desde el buscador, y que en muchas ocasiones generaba el efecto de que los pacientes acudieran a tal fuente incluso en sustitución del criterio del profesional. Pero hoy habría que empezar a pensar en otra derivada de la posición de Google en el campo de la salud, como son los resultados que está logrado aplicando sus tecnologías de inteligencia artificial al diagnóstico clínico. Los últimos se refieren a la posibilidad de emplear el aprendizaje máquina al diagnóstico de lesiones cutáneas. En efecto, el doctor Google parece que quiere ejercer de dermatólogo.      

El blog de la empresa acaba de publicar un extenso artículo en el que ofrece datos y resultados provenientes de uno de sus equipos -compuesto por ingenieros de software, investigadores, médicos y otros profesionales de apoyo- que han venido elaborando análisis de lesiones cutáneas a través de lo que denominan un “Deep Learning System” (DLS), un conjunto de técnicas de análisis algorítmico de imágenes con posibilidades de autoaprendizaje.

¿Qué ha motivado esta incursión en el campo de la dermatología? La respuesta inmediata sería decir que las técnicas que viene desarrollando Google en el campo del análisis de imágenes no tienen por qué limitarse a los usos que se conocen más popularmente, como los   que cualquier usuario de un móvil puede comprobar mediante la aplicación Fotos, tales como reconocer personajes, organizar carpetas inteligentes o corregir efectos escénicos. Manejar los millones de bits de información de una imagen digital y conseguir que un ordenador pueda llegar a entenderlos y con ello generar nuevas capas de información y análisis es algo que, sin duda, tiene muchas aplicaciones también en el campo de la medicina, siempre que estemos ante un diagnóstico basado que se origine en una imagen fotográfica. 

 

 

 

Pero la otra motivación -declarada explícitamente por los autores de este trabajo- tiene que ver con lo sanitario, y concretamente con algunas necesidades no bien resueltas en Estados Unidos en el campo de las enfermedades cutáneas. Según afirman en su artículo, se estima que 1.900 millones de personas en todo el mundo padecen una afección de la piel en un determinado momento, y que en cambio hay una relativa escasez de dermatólogos, de manera que muchos casos son vistos directamente por médicos generales. Solo en los Estados Unidos, se calcula que hasta el 37% de los pacientes que pasan por los centros sanitarios tienen al menos una afección cutánea, y más de la mitad de esos pacientes no son atendidos por dermatólogos. Añaden al razonamiento que diversos estudios demuestran diferencias significativas en la exactitud de los diagnósticos de patologías cutáneas cuando estos los realizan los médicos generales o los dermatólogos. Todo ello genera, a la postre, ineficiencias organizativas, demasiadas derivaciones y habituales errores en el diagnóstico y los tratamientos.

Aquí es donde podrían entrar en juego las herramientas de aprendizaje automático, con el objetivo de ayudar a mejorar la precisión diagnóstica agregada en todas las etapas y eventualidades sanitarias. 

Investigaciones previas con estas técnicas se centraron en la detección precoz del cáncer de piel, y en particular en la posibilidad de cualificar a una lesión como maligna o benigna o incluso catalogarla como melanoma. Lo que ahora se ha pretendido hacer es extender la metodología de análisis automatizado a ese más del 90% de los problemas cutáneos que no son malignos.

El equipo de Google afirma que sus resultados muestran que el DLS puede lograr una precisión significativa en 26 afecciones de la piel, comparable a la de los propios especialistas en dermatología. Este estudio destaca también la posibilidad de emplear el DLS para aumentar la capacidad resolutiva de los médicos generales especialmente en lesiones que admitan diagnóstico diferencial. Este primer análisis automatizado podría orientar posteriormente la batería de pruebas complementarias más adecuada, como pruebas de laboratorio, nuevas imágenes, interconsultas, etc. Como tal, el DLS intenta imitar lo más certeramente posible el modelo racional del médico, descartando o afirmando hipótesis ante un determinado caso.  

 

 

 

Cómo es la tecnología y qué resultados ofrece.

Para generar este modelo de deducción clínica, el DLS analiza imágenes de las lesiones cutáneas y procesa también un lote de hasta 45 tipos de metadatos provenientes de la  historia clínica del paciente. Para cada caso se manejan múltiples imágenes usando una sistemática de red neuronal (concretamente, Inception-v4) y se combinaron con esos metadatos para obtener capas de clasificación lógicas. En paralelo, se establecen pautas para explicitar el diagnóstico diferencial proporcionadas por un grupo de más de 40 dermatólogos.

En total, los dermatólogos proporcionaron diagnósticos diferenciales para 3.756 casos clínicos concretos (el llamado “Conjunto de validación A”), y estos diagnósticos se compararon con los ofrecidos por el sistema DLS. Los índices iniciales de precisión que se obtuvieron oscilaron entre el 71% y 93%. Creando determinados subconjuntos (v.gr. "Conjunto de validación B") el DLS obtuvo una precisión diagnóstica cercana al 90% en el conjunto de datos de validación. El trabajo también incluyó sucesivos niveles de complejidad en el análisis, que sería prolijo resumir aquí. 

Dicen los desarrolladores de esta tecnología que “aunque estos resultados son muy prometedores, queda mucho trabajo por delante”. El sistema de aprendizaje automatizado ofrece la oportunidad fundamental de que es capaz de ser entrenado, o, mejor dicho, es autónomamente capaz de aprender de su propio funcionamiento y generar progresivamente mejores resultados. Un paso necesario sería no sólo cotejar el diagnóstico algorítmico con el diagnóstico de un especialista ante la misma imagen, sino cruzarlo todo con una posterior confirmación biópsica. “El éxito del aprendizaje profundo para establecer el diagnóstico diferencial de enfermedades de la piel es muy alentador. Por ejemplo, un DLS de este tipo podría ayudar a clasificar los casos para guiar la priorización de la atención clínica o podría ayudar a los no dermatólogos a solicitar la diagnosis por un especialista con mayor adecuación según los casos, y potencialmente mejorar el uso de los recursos clínicos”.