INTELIGENCIA ARTIFICIAL Y RADIOLOGÍA: LA DISRUPCIÓN
TECNOLÓGICA EN LA TRANSFORMACIÓN DE UN PARADIGMA
..................
Gabriela Puentes ¹, Emmanuel Salinas Miranda ², Gustavo Adolfo Triana ³
Resumen
La inteligencia artificial (IA) ha demostrado su funcionalidad en
la mayor parte de las áreas de la radiología moderna. El progreso
notable en el desarrollo de redes neuronales convolucionales ha abierto
la puerta para nuevos horizontes en los cuales la IA será protagonista
en el análisis de imágenes médicas. En los últimos años, las
herramientas de IA en radiología han demostrado su capacidad para
reconocer patrones de alta complejidad en las imágenes, con un
rendimiento que puede equiparar
o, incluso, superar al del médico entrenado. Se han evidenciado
escenarios clínicos en los cuales las
tecnologías de IA pueden realizar una valoración radiológica más rápida
y eficiente respecto de los
métodos actuales. Este hecho plantea algunos interrogantes acerca del
papel del radiólogo en el futuro
de la radiología. Aún existen brechas y retos en el desarrollo ético de
la IA en la atención médica, en
la validación adecuada de algoritmos, en el desarrollo de mecanismos
efectivos para compartir datos
y en la solución de los obstáculos regulatorios. En esta revisión, se
busca abordar las potenciales aplicaciones de la IA en la labor del
radiólogo, no desde la mirada especulativa y distópica, sino desde el
reconocimiento de las oportunidades que nos brindan los desarrollos
tecnológicos para nutrir la práctica del médico, optimizar los procesos
de enseñanza y generar mayor eficacia en la asistencia sanitaria
del futuro. En este sentido, los radiólogos cada día son menos
espectadores de los desarrollos y más
participes y consumidores de estos.
Palabras clave: Inteligencia Artificial; Redes Neuronales; Radiología; Sistemas de Información Radiológica.
..............
¹ MD. Facultad de Medicina, Universidad del Rosario, Bogotá, Colombia.
² MD. Comité de Inteligencia Artificial, Asociación Colombiana de Radiología, Bogotá, Colombia.
³ MD.
Sección Radiología Pediátrica e Investigación, Departamento de Imágenes
Diagnósticas, Fundación Santa Fe de Bogotá, Bogotá, Colombia.
ARTIFICIAL INTELLIGENCE AND RADIOLOGY: TECHNOLOGICAL
DISRUPTION IN THE TRANSFORMATION OF A PARADIGM
Abstract
Artificial intelligence (AI) has proven its
effectiveness in many areas of modern radiology.
Remarkable progress in the development of convolutional neural networks
has opened the
door for new horizons in which AI will play a leading role in the
analysis of medical images. In
recent years, AI has demonstrated its ability to recognize highly
complex patterns in images
with an accuracy that can match and even exceed that of trained
clinicians. There has been
evidence of clinical scenarios in which AI technologies can perform a
faster and more efficient
radiological assessment compared to current methods. This fact raises
some questions about
the role of radiologists in the future of radiology. Challenges remain
in the ethical application
of AI in healthcare, in the proper validation of algorithms, in
developing effective mechanisms
for sharing data, and in solving regulatory hurdles. In this review, we
seek to understand the
potential applications of AI in the radiologist’s work, not from a
speculative and dystopian perspective; but from the recognition of the
opportunities that technological developments offer
us to improve the practice of the doctor, optimize the teaching
processes and generate greater
efficiency in the health care of the future. In this sense, everyday
radiologists are fewer spectators of innovations and more participants
and consumers of them.
Keywords: Artificial Intelligence; Computational Intelligence; Neural Networks; Radiology;
Radiology Information Systems.
Introducción
La disrupción potencial que puede generar la inteligencia artificial (IA) en el campo de la radiología
está rodeada de controversias y ansiedades en la profesión. Desde las primeras referencias de la IA en la
radiología, su potencial disruptivo ha sido evidente
(1). Sin embargo, la llegada de las tecnologías de la
cuarta revolución industrial a la práctica de la radiología ha suscitado un gran debate sobre el papel y
las responsabilidades del radiólogo en el futuro (2).
Estos desarrollos no solo tienen la capacidad de impactar significativamente sobre una de las actividades
principales de la radiología que es la interpretación
de las imágenes, sino también sobre todo el flujo clínico de trabajo (1).
En los últimos años se ha presentado un crecimiento
progresivo de este campo en la radiología, impulsado
principalmente por la disponibilidad de grandes conjuntos de datos y nuevos algoritmos de aprendizaje
profundo (2). Varios argumentos soportan la incorporación de estas nuevas tecnologías, con la posibilidad
de optimizar diversos escenarios: el incremento de la
certeza diagnóstica, en la calidad de la atención y la
disminución de los tiempos de lectura (3-5).
A pesar del papel protagónico de la IA en los últimos
20 años (6), su aplicación en la vida real ha generado
múltiples detractores en la especialidad y debates sobre
su capacidad de ser una tecnología generalizable (7).
Aunque por el momento faltan datos suficientes para
la aplicación rutinaria de esta tecnología, en la práctica
rutinaria, la creciente evidencia permite suponer que el
desarrollo de soluciones automatizadas basadas en el
aprendizaje profundo comenzará a abordar los problemas clínicos más comunes en un futuro no lejano (1).
Varios problemas deben resolverse previo a la implementación de la IA en la práctica diaria (4,5). Estos
incluyen el papel los acuerdos sobre los desarrollos en
la IA para la obtención de imágenes, el desarrollo ético
y el uso de la IA en la atención médica, la validación
adecuada de cada algoritmo, el desarrollo de mecanismos efectivos para compartir datos y la solución de los
obstáculos regulatorios de la IA (8).
Rol de las redes neuronales
convolucionales en el aprendizaje de
máquina
La inteligencia artificial incluye una gama muy amplia
de funciones inteligentes realizadas por computadoras
como la resolución de problemas, la planificación, la
representación del conocimiento, el procesamiento del
lenguaje y el aprendizaje automático (9). Sin embargo,
es a través del aprendizaje profundo donde se logra el
mayor impacto (10).
El aprendizaje profundo corresponde a un conjunto de
algoritmos de redes neuronales artificiales que intentan modelar abstracciones de alto nivel en datos (11).
De esta forma, estos algoritmos conforman diversas
capas de aprendizaje con la capacidad de reconocer
objetos particulares en imágenes según características
definidas (12). Los modelos de aprendizaje profundo
que suelen usarse en el reconocimiento de imágenes
se basan en redes neuronales convolucionales (CNN)
con entradas de datos de forma bidimensional o tridimensional (12). Una CNN se conforma de una serie
de capas que mapean y extraen sucesivamente las entradas de imágenes mientras aprenden características
de objetos en las imágenes a un nivel cada vez más alto
(3). Las CNN están formadas por una pila de una entrada, una capa de salida y con múltiples capas ocultas
que
convolucionan las entradas de datos para obtener la
información útil (3).
Las CNN se pueden aplicar para la detección de lesiones tales como los
tumores en la tomografía axial computarizada o la resonancia magnética
(13,14). Para lograr esto, se detectan varios miles de regiones en cada
sección de tomografía o resonancia y se encuentran
todos los lugares posibles donde se pueden ubicar objetos en la imagen
(propuesta de región) (13,14). Para
la identificación de las regiones y el aprendizaje de
las características se implementan capas de CNN con
múltiples capas ocultas que usan conjuntos de datos
con los que previamente se han entrenado (13,14). Estas capas ocultas
son seguidas por capas conectadas
que proporcionan un razonamiento de alto nivel y
producción de predicciones (13,14).
Las CNN están
diseñadas para cuantificar características radiológicas
específicas en distintos tipos de imagen, como la forma
en 3 dimensiones de una consolidación o la textura de
un tumor y la distribución de intensidades de píxeles.
Finalmente, las CNN poseen un proceso de selección
posterior para asegurar que solo se utilicen las características más
relevantes de cada objeto (3).
Las CNN pueden desarrollarse a través de la transferencia de
aprendizaje, un enfoque que permite aplicar
la información aprendida en un proceso anterior para
tareas diferentes pero relacionadas (14). Algunos sistemas son
entrenados en imágenes no médicas y posteriormente son usados para el
análisis de imágenes
médicas (15). La transferencia de aprendizaje crea una
oportunidad para el rápido progreso del aprendizaje
automático en diferentes dominios dentro de la radiología (15). La
transferencia se facilita gracias a las numerosas herramientas de
código abierto para modelar
sistemas en aprendizaje profundo. Las bases de datos
más extensas son de libre acceso (14,15). Adicionalmente, los
desarrolladores de software y algunas organizaciones de tecnología han
logrado incrementar el
acceso a estas tecnologías, buscando democratizar su
acceso (3,15).
Aplicaciones de la inteligencia
artificial en la práctica clínica
El desarrollo de métodos de aprendizaje profundo se
ha venido explorando en casi la totalidad de las ramas
de la radiología para potenciar el rendimiento de la
detección de hallazgos anormales en imágenes (4,16).
Por ejemplo, en la radiografía de tórax se han desarrollado múltiples algoritmos de aprendizaje profundo
para la interpretación automática (4). Los algoritmos
actuales pueden detectar hasta 14 enfermedades frecuentes en la radiografía de tórax cuando se presentan
como hallazgos aislados (16).
Uno de los campos en radiología con más investigación de IA es la radiología oncológica. A través de la
introducción de la detección asistida por computadora (CAD) la IA empezó a tomar fuerza en la radiología (10).
La CAD se usa ahora de forma rutinaria en los programas de detección
del cáncer de mama en los Estados
Unidos, con evidencia consistente, equivalente o mejorada (10). Sin
embargo, su impacto solo ha permitido un aumento marginal en las tasas
de control de la
enfermedad, lo que limita su introducción global en la
práctica clínica rutinaria. La CAD también proporciona una segunda
opinión respecto de la lectura inicial
de las mamografías realizada por el radiólogo, siendo su principal
objetivo a corto plazo el aumentar el
desempeño basal del médico para facilitar la detección
de lesiones sospechosas. (17). La mejora progresiva de
estos sistemas ha llevado a algunos modelos de IA a
tener un desempeño comparable con el de un radiólogo (17).
En el Digital Mammography Dialogue for Reverse Engineering Assessments
and Methods, o DREAM Challenge, que se llevó a cabo entre noviembre de
2016
y mayo de 2017, muchos equipos compitieron en el
desarrollo de modelos de aprendizaje automático para
clasificar las mamografías de detección según la presencia de cáncer
(17). Los equipos más exitosos utilizaron modelos de aprendizaje
profundo, logrando una
sensibilidad y especificidad del 87% y 82%, respectivamente (17). A
pesar de estas dificultades técnicas, los
resultados son prometedores (18).
Un estudio de 2016 enfrentó cuatro sistemas CAD en
50 tomografías computarizadas que contenían nódulos pulmonares que los
radiólogos habían pasado por
alto previamente (10). Los sistemas CAD detectaron
del 56 al 70% de las lesiones pulmonares que originalmente no se habían
detectado, incluido el 17% de
los cánceres de menos de 3 mm y el 69 al 78% de los
cánceres de entre 3 y 6 mm, tamaños que los observadores expertos
suelen pasar por alto (10). Estos hallazgos sugieren que los sistemas
CAD pueden lograr
un desempeño similar al de los lectores humanos en
el reconocimiento de lesiones difíciles, y que pueden
resultar una herramienta invaluable en la detección
de nódulos pulmonares pequeños en etapa temprana
(10).
Nasrullah y colaboradores demostraron un sistema de
aprendizaje profundo con capacidades de clasificación
del grado de malignidad y de detección de nódulos
pulmonares que alcanzó una sensibilidad del 94% y
una especificidad del 91% (19). Sin embargo, los esfuerzos no se han
enfocado solo en la detección de los
nódulos pulmonares, sino también en la clasificación
de estos (19). Ardila y colaboradores propusieron un
sistema de aprendizaje profundo para predecir el riesgo de malignidad
en el cribado de tomografía computarizada de bajas dosis utilizando un
conjunto de datos
de más de 20.000 pacientes (20). Este sistema fue capaz de lograr
reducciones absolutas de falsos positivos
y falsos negativos del 11% y el 5%, respectivamente
(20). Adicionalmente, el rendimiento del modelo fue
equivalente o levemente superior al de los hallazgos
reportados por los 6 radiólogos cuando se analizaron
solo las tomografías, mientras que los rendimientos
fueron equivalentes al radiólogo cuando se incluían los
antecedentes personales de los pacientes (20).
La automatización a través de la IA puede considerar
una gran cantidad de características cuantitativas junto a los hallazgos imagenológicos e incorporarlos en
modelos de clasificación o modelos pronósticos (4,6).
Por ejemplo, es difícil para los seres humanos predecir
con precisión el estado de malignidad de una lesión
pulmonar debido a la similitud entre los nódulos benignos y malignos en las tomografías computarizadas
(4). La IA puede identificar automáticamente estas
características al combinar el aprendizaje profundo
de objetos con biomarcadores de las imágenes (4,21).
Por lo tanto, la combinación con biomarcadores serológicos podría usarse para predecir la probabilidad de
malignidad, el diagnóstico diferencial, el pronóstico
y la respuesta al tratamiento (4,21). En la detección
de lesiones en mamografías, los primeros resultados
muestran que la utilización de CNN en combinación
con datos clínicos y demográficos poseen un desempeño diagnóstico de alta sensibilidad y muestran un
rendimiento similar en comparación con lectores humanos altamente capacitados (4,21).
Imágenes obtenidas de forma más
rápida y eficiente
Los métodos de procesamiento de datos basados en el
aprendizaje automático tienen el potencial de reducir
el tiempo de obtención de imágenes (16). Se ha demostrado cómo el aprendizaje profundo se puede aplicar
para optimizar el procesamiento de la adquisición
de datos de difusión por resonancia a solo un paso
(16,22). Los algoritmos sugieren modificaciones en la
secuencia durante la resonancia magnética para lograr
una caracterización óptima de la lesión mientras que
logran un tiempo de escaneo reducido doce veces (22).
Disrupción de la radiología: El papel
de la IA
Es imposible desconocer que el aumento creciente en
la necesidad de imágenes diagnósticas y el desarrollo cada vez mayor de tecnologías de vanguardia han
impuesto desafíos adicionales sobre los radiólogos
(10,23). La variabilidad en la experiencia entre observadores, el agotamiento físico y mental tras horas de
evaluación de imágenes, son problemas que pueden
provocar análisis erróneos e incompletos por parte de
los profesionales y que las nuevas tecnologías pueden
tener un campo de acción (23,24).
En los último años, los volúmenes de imágenes han
crecido a un ritmo desproporcionado (23). Un estudio
en la Clínica Mayo de 2015 reveló que un radiólogo
promedio que interpreta exámenes de tomografía debe
evaluar una imagen cada 3-4 segundos en una jornada
laboral de 8 horas para cumplir con las demandas de
una institución de alto nivel (25). En este sentido, la
urgente necesidad de optimizar los procesos y disminuir la tasa de
errores ha llevado a la integración de la
IA en los procesos de diagnóstico imagenológico (26).
Redes de aprendizaje profundo integradas a los flujos
de trabajo de los radiólogos podrían convertirse en herramientas
invaluables para alcanzar los objetivos de
evaluación y diagnóstico (26). Las herramientas de inteligencia
artificial podrían reducir la variación en la
práctica y automatizar la detección de anomalías en
las imágenes (23,26). Adicionalmente, se ha demostrado que muchos
sistemas de IA tienen la capacidad de
reconocer patrones de alta complejidad en los datos
de las imágenes con una evaluación cuantitativa que puede proporcionar
a los radiólogos capacitados imágenes preseleccionadas con
características preidentificadas (26,27).
En un futuro, no lejano, es probable que la integración
de CAD basado en IA con los sistemas de comunicaciones y archivo de
imágenes alimentado que compone el Big Data, tenga un alto impacto en
el refuerzo
del papel de la IA en radiología (10). La incorporación
de estos cambios sostiene la promesa de ayudar a salvaguardar la
calidad de la atención al paciente, y de
mejorar el flujo de trabajo (13,28).
En los últimos años, varios sistemas de IA han alcanzado rendimientos
diagnósticos equiparables al ser humano (23). Algunos investigadores
consideran que los
CNN pueden realizar una valoración radiológica más
rápida, más barata, más eficiente y con una calidad
equiparable a la de los seres humanos (29). Esto ha
llevado a la especulación creciente acerca del eventual
reemplazo de la profesión de radiología por sistemas
informáticos (29). Existe el temor creciente, casi distópico, de que
los seres humanos sean reemplazos por
las máquinas (9).
Si bien, la postura general suele ser más moderada y
menos apocalíptica, el consenso actual considera que la
IA no reemplazará a los radiólogos, solo los hará más
eficientes (30). Se considera que los algoritmos de IA serán el respaldo de los radiólogos mejorando la precisión
del diagnóstico (30). Se espera que la IA complemente,
sin reemplazar, al radiólogo, quien formulará un juicio
independiente antes de considerar el resultado del algoritmo de IA (26). No obstante, en situaciones extremas,
en las que exista alta carga laboral puede existir el riesgo
de que los radiólogos acepten la lectura de la IA y no
formulen un juicio independiente (26).
El doctor Maciej A. Mazurowsk, ingeniero y experto en
sistemas informáticos del departamento de radiología
de la Universidad Duke, publicó en 2019 una interesante revisión
narrativa que contiene las principales especulaciones referentes al
futuro de la IA en la radiología y
su potencial disrupción en el papel de la radiología (23).
Examinando argumentos que los radiólogos sostienen
para defender la presunta imposibilidad de que sistemas
de IA reemplacen la labor humana, Mazurowsk presenta una interesante
perspectiva de la situación actual de
los CNN en el panorama de la radiología (23).
El primer argumento presentado por Mazurowsk es
que los sistemas de aprendizaje profundo nunca podrán interpretar
imágenes tan bien como los humanos.
Este argumento se deriva de la milenaria y riesgosa
postura que considera a la inteligencia humana como
una institución superior e imbatible. Como se mencionaba previamente,
se han desarrollado robustos algoritmos de radiómica con rendimientos
diagnósticos
equiparables al ser humano (21). La potencia informática del Big data
ha permitido enriquecer la suficiencia
de los algoritmos a una velocidad pasmosa (17,19). A
continuación, se presentarán casos distintos y complementarios a los
del doctor Mazurowsk que demuestran
que los sistemas informáticos pueden ser equiparables
a la experticia médica, inclusive en contextos de emergencia que han
obligado a su desarrollo en cortos periodos de tiempo. Durante la
pandemia de COVID-19,
Chen y colaboradores construyeron un sistema basado
en el aprendizaje profundo para detectar la neumonía
COVID-19 en TC de alta resolución. Para el desarrollo
y la validación del modelo, se recopilaron retrospectivamente 46.096
imágenes anónimas de 106 pacientes
ingresados, incluidos 51 pacientes con neumonía COVID-19 confirmada por
laboratorio y 55 pacientes de
control de otras enfermedades en el Hospital Renmin
de la Universidad de Wuhan (31). El modelo logró una
precisión por paciente del 95,24% y una precisión por
imagen del 98,85% en un conjunto de datos retrospectivo interno (31).
Para 27 posibles pacientes internos,
el sistema logró un rendimiento comparable al de un
radiólogo experto (31). Con la ayuda del modelo, el
tiempo de lectura de los radiólogos se redujo considerablemente en un
65% (31). El modelo de aprendizaje
profundo mostró un rendimiento comparable con el
de un radiólogo experto y mejoró enormemente la eficiencia de los
radiólogos en la práctica (31).
El segundo argumento que trae a colación Mazurowski es: Los radiólogos
hacen mucho más que simplemente leer imágenes (23). Otras actividades
realizadas
por los radiólogos incluyen procedimientos de radiología
intervencionista y labores como la valoración de
pacientes en consulta externa (23,24). La visión más
pesimista nos plantea un futuro en que la IA realice todas las tareas
de un radiólogo menos los procedimientos y la valoración en consulta
(23). Es evidente que la
IA no desaparecerá la labor del radiólogo, pero tiene
el potencial de disminuir el requerimiento de muchas
de sus funciones actuales (2,14). En este sentido, es posible anudar el
tercer argumento que nos presenta el
autor: los radiólogos podrán dedicar más tiempo para
ver pacientes, discutir casos con médicos de atención
primaria y oncólogos o analizar casos particularmente difíciles (23).
¿Por qué los radiólogos no lo hacen
ahora? ¿Por qué en la actualidad no se contratan más
radiólogos que hagan estas tareas? ¿Existe una real
demanda de estas funciones? En el sistema de salud
colombiano, con un déficit palpable de especialistas
y con unas agremiaciones médicas y académicas que
parecen restringir el acceso a las residencias médicas,
no existe la demanda para el cumplimiento de dichas
tareas (32). Para Mazurowski, en el sistema de salud
estadounidense la realidad no es distinta (23).
El rol del radiólogo en la
implementación y desarrollo de la IA
A pesar de la revolución que promete la integración
de la IA al flujo del trabajo, el escenario puede ser menos distópico
de lo que podría parecer para algunos
pesimistas. La integración de la IA proveerá una mayor precisión y las
funciones de los radiólogos se ampliarán a medida que se conecten más a
la tecnología
(33). El radiólogo puede encontrar su espacio en los
escenarios críticos para el proceso de entrenamiento
de IA, aportando conocimiento y supervisando la eficacia (33). Los
operadores humanos supervisarán los
resultados y buscarán los medios de validación y como
una forma de descubrir información oculta que podría
haberse pasado por alto (33). A continuación, se presentan algunas
actividades de la práctica diaria en las
que tiene aplicación la IA.
Gestionar el flujo de trabajo
En la actualidad, los radiólogos se enfrentan a avalanchas de imágenes
para su valoración e interpretación,
con poco espacio para conocer el contexto clínico y
con amplias dificultades para priorizar la interpretación de exámenes
anormales. La IA puede ofrecer la
gestión de la lista de trabajo de IA (6,33). Existen algoritmos que
pueden identificar radiografías de tórax
anormales con la intención de acelerar la interpretación de un examen
anormal (6). Así mismo, se están
desarrollando algoritmos que permiten clasificar las
tomografías de cráneo sin contraste con el fin de detectar y priorizar
la valoración de las imágenes de pacientes que estén cursando con
hemorragia intracraneal
o accidente cerebrovascular (6). Las listas de trabajo
inteligente podrían reducir los tiempos de diagnóstico
y tratamiento al indicar cuales imágenes deberían ser
interpretadas primero por el radiólogo (6). También se
podrían utilizar para marcar estudios que potencialmente pueden ser no
diagnósticos y requieren ser repetidos (6). La capacidad de la IA
permitirá identificar
estructuras dentro de la imagen e integrar esa información con los
metadatos para minimizar los tiempos de
diagnóstico y tratamiento urgente (33).
Considerar la herramienta apropiada según
la necesidad clínica
¿Cuál es la tecnología más apropiada para el diagnóstico de cierta
entidad en cierto tipo de paciente y concierto tipo de imagen según los
hallazgos clínicos?
¿Qué escenarios clínicos se benefician del uso de cada
IA? Los radiólogos son los profesionales propicios
para evaluar los escenarios clínicos en los cuales usar
y aprovechar cada tecnología de IA (24). El Instituto de Ciencia de
Datos (DSI) del Colegio Americano
de Radiología (ACR) ha desarrollado un manual que
proporciona una descripción narrativa de las necesidades clínicas que
abordan algunos sistemas de IA y los
resultados que produce para el radiólogo (24). Estos
esfuerzos buscan que los radiólogos elijan la tecnología que les brinde
la información necesaria según la
necesidad clínica a la cual se enfrenten (17,24). Incluir
a la necesidad clínica como un criterio permanente en
el flujo de trabajo diario permite mejorar la calidad y
eficiencia de la atención al paciente (34).
Reducir el flujo de trabajo y contribuir a la
interpretación
Un sistema de IA coordinado con Big Data no solo
podría reconocer y clasificar las lesiones, sino que también podría, por ejemplo, diagnosticar y cuantificar la
cardiomegalia o producir un diagnóstico diferencial de
la enfermedad pulmonar intersticial (2,10). Esto puede
permitir administrar la carga de trabajo y mejorar el
desempeño individual y reducir el error humano (2).
La CAD puede mostrar sus hallazgos primero para
ser interpretados por el radiólogo, quien luego hace el
diagnóstico final (10).
Evaluar la capacidad de las herramientas
de IA
El doctor Daniel L. Rubin, del departamento de información biomédica de la Universidad de Stanford,
sostiene que una de las mayores tareas del radiología
en el futuro del IA es entrenar, probar y respaldar la tarea de los algoritmos (24). Los algoritmos entrenados
con aprendizaje profundo pueden poseer sesgos que
impiden la generalización de sus valoraciones (24,28).
Los datos de entrenamiento surgen de bases de datos
limitadas lo que podría dificultar la generalización de
los parámetros de imagen usados en la práctica, en
especial en condiciones singulares y enfermedades raras (28). Existen
escenarios clínicos con demasiados
patrones de práctica y otras idiosincrasias locales que
hacen que el aprendizaje de un modelo de amplia aplicación sea difícil
de instaurar (7). La ausencia de validación externa contribuye a que
algunas algoritmos
fallen en la generalización y pierdan fuerza en su rendimiento (24). En
consecuencia, es imperativo que los
radiólogos evalúen el rendimiento de los algoritmos de
IA en los datos en su práctica local (7).
Para la evaluación de los algoritmos se proponen una
serie de pasos. El primer paso es determinar cuáles son
los resultados esenciales en determinados contextos y
para determinadas necesidades clínicas (24). La tecnología de IA debe
ser capaz de alcanzar cada uno de
estos resultados con la caracterización suficiente que
existe un diagnóstico y una terapéutica de calidad (24).
El segundo paso es recopilar casos de prueba: una cohorte de pacientes
representativos de cada escenario
clínico a nivel local. Esta muestra de pacientes permitirá evaluar la
capacidad de los algoritmos en la generalización (24). El tamaño del
grupo de prueba dependerá de la prevalencia de la condición en la
población
y de las clases de salida de cada algoritmo (24).
El tercer paso es establecer el campo de la verdad para
caso de prueba (24). Este paso requiere la historia clínica del paciente y los informes de radiología para obtener
un estándar de referencia (24). Una vez se ha llevado el
tercer paso, es necesario elegir la métrica de evaluación
adecuada para el algoritmo de IA (24). En este cuarto
paso es necesario comparar la determinación de cada tecnología de IA con la verdad fundamental para cada caso
(24). En esta comparación se requiere conocer las métricas de rendimiento, detección y diagnóstico aplicables a
cada tecnología y a cada caso clínico particular (24). El
quinto paso es definir un umbral de rendimiento para la métrica que un radiólogo desea alcanzar para decidir que
un algoritmo de IA será útil en la práctica (24).
El sexto paso es evaluar los casos de prueba contra la
métrica. Esto se hace enviando los casos de prueba al
algoritmo de IA, comparando con la verdad y creando
una matriz de confusión (24). La matriz de confusión
es una tabla que permite calcular las métricas de rendimiento de IA (24). Finalmente, el último paso implica
la implementación de una estrategia para monitorear
el desempeño de la IA, que generalmente se realiza
repitiendo intermitentemente los pasos anteriores con
un nuevo conjunto de pruebas (adquirido más recientemente (24).
El entrenamiento permanente de
radiólogos
La dependencia de la tecnología podría afectar negativamente la
formación de los futuros radiólogos (2). Independientemente de las
capacidades de la IA, los radiólogos deben garantizar a sus estudiantes
el aprendizaje
de las habilidades de observación e interpretación críticas
que hacen de la radiología una disciplina única (24).
La regulación de la IA
Comprobar que un sistema informático es capaz de
detectar lesiones neoplásicas de forma temprana con
mayor eficiencia que un radiólogo entrenado, con pocos riesgos adicionales, es un argumento suficiente
para que las agencias reguladoras de medicamentos y
tecnologías no pasen por alto los modelos de IA (23).
A su vez, el costoso proceso de los ensayos clínicos
para probar nuevos fármacos ha generado el creciente
interés en la creación de software que faciliten el proceso y permitan ahorrar recursos (35). Así mismo, se
están desarrollando múltiples modelos que solucionan
las ineficiencias de los registros médicos electrónicos y
potencialicen el diligenciamiento correcto de las historias clínicas (35). Las empresas de informática trabajan
con un ritmo acelerado en el desarrollo de tecnologías
de IA para diversos campos de la medicina (2,10,23).
Ante la escasez de médicos especialistas en distintos
contextos alrededor del mundo y con el requerimiento cada vez mayor de
escenarios de atención primaria
más eficientes, no es descabellado pensar en un futuro con más
tecnologías de IA acompañando la labor
de atención médica básica (10,24). En el sistema de
salud colombiano es normal que los médicos de atención primaria no
tengan la posibilidad de recibir interpretaciones rápidas de las
imágenes diagnósticas
que solicitan y deban hacer un abordaje terapéutico
soportado en su propia interpretación. Son escasos los
hospitales con médicos radiólogos en sus servicios de
urgencias o que interpreten imágenes en las noches o
los fines de semana. Adicionalmente, no son pocas las
situaciones complejas en que los médicos generales y
algunos especialistas proporcionan interpretaciones de
las imágenes sin la supervisión de un radiólogo (25).
Aunque las agencias reguladoras no apoyan el uso de
IA para la interpretación de imágenes diagnósticas sin
el concepto de un radiólogo, hay un creciente interés
en facilitar la comercialización de dispositivos de IA
que soporten la labor de los médicos generales (34).
Entidades como la Agencia de los Estados Unidos para
la Administración de Drogas y Comidas (FDA, por sus
siglas en inglés) y la Agencia de Medicinas Europea
(EMA, por sus siglas en inglés) mantienen una visión
positiva ante las tecnologías de IA en radiología, y sus
legislaciones se han vuelto más laxas en los últimos
años (9). No obstante, la capacidad de producir algoritmos de IA está superando la minuciosidad con la que
se evalúa la validez externa de dichas tecnologías (36).
Aunque los productos que se someten a la revisión de
la FDA para su aprobación regulatoria son sometidos
a varias validaciones, la vigilancia posterior a la comercialización es pobre. Algunos radiólogos pueden tener
la tentación de asumir que dicha recopilación de datos y
evaluación de métricas no es necesaria, asumiendo que la IA funcionará bien en sus pacientes si el algoritmo ha
sido aprobado por la FDA (24). No obstante, las bases
de datos que utiliza la FDA para validar los algoritmos
la mayoría de las veces no son lo suficientemente generalizables en varios contextos clínicos (24).
El desarrollo y la implementación de las pautas regulatorias deberán
marchar al mismo ritmo de los avances en IA (24,37). Los criterios para
evaluar la IA han
comenzado a centrarse en lograr la aprobación de innovaciones médicas
con mayor rapidez cada vez (34).
En este sentido, la FDA anunció en 2018 el desarrollo
del Programa de precertificación (También conocido
como Pre-Cert) de software de salud digital (Pre-Cert),
que busca agilizar la regulación de la tecnología de
software, incluidos los productos de inteligencia artificial (34). Esta
ley certifica que una organización puede
llevar un producto al mercado sin revisión previa a la
comercialización, siempre que el producto se considere de menor riesgo
(34). No obstante, la implementación en el mundo real podría resultar
un desafío porque no hay un precedente establecido de la medición
de la validez externa de estas tecnologías (34). Algunos
expertos en atención médica han expresado su preocupación de que el
enfoque Pre-Cert pueda dar un sello
de aprobación sin que este software haya mostrado un
beneficio clínico validado (34,37). En este sentido, es
fundamental la labor de cada radiólogo, su participación en la
evaluación para establecer cuan generalizable es cada algoritmo en el
contexto definido.
Conclusiones
El desarrollo y la integración de la IA en la radiología
supone una revolución en su práctica. La expansión
continua de los algoritmos y su evolución sin pausa,
prometen ser el compañero de respaldo del radiólogo
en su búsqueda de mejorar la eficiencia y reducir la variabilidad sin
renunciar a la precisión. Las herramientas de la IA ofrecen múltiples
oportunidades para satisfacer las necesidades de los radiólogos y
fortalecer la
calidad en la atención médica, y los radiólogos deben
convertirse en protagonistas de esta revolución. No
se espera que los algoritmos reemplacen la experticia
de los radiólogos entrenados, sin embargo, aquellos
radiólogos que utilicen estas herramientas si reemplazarán a los
radiólogos que no lo hagan. En ese sentido, es necesario adaptarse a
los nuevos sistemas como
constructores y consumidores informados. El radiólogo del futuro debe
contemplar todas las necesidades
clínicas que importan en sus prácticas para evaluar si
las herramientas de IA satisfacen esas necesidades.
Así mismo, el radiólogo del futuro debe ser consciente
de los peligros potenciales de depender demasiado de
la tecnología. Es necesario que el radiólogo ejerza un
entrenamiento permanente para mantener sus habilidades clínicas. En
última instancia, el radiólogo debe
seguir siendo el encargado del cuidado del paciente,
no de la tecnología, y será el radiólogo quien finalmente se
beneficiará de monitorear la evolución de estas
herramientas.
La gran cantidad de publicaciones sobre IA ha superado a otros dominios que también crecen a un ritmo
muy rápido. En este momento de la historia, los radiólogos poseen un papel protagónico en el desarrollo de
la medicina. Un mejor juicio clínico por parte de los
radiólogos en combinación con las nuevas tecnologías
ayudará a mejorar la calidad de vida de los pacientes y
de los clínicos y optimizará las decisiones clínicas. Las
predicciones que sugieren que la inteligencia artificial
dejará a los radiólogos por fuera del área de la salud
resultan, a la fecha actual, poco probables y es mucho
más probable que sean los radiólogos quienes absorban
todos estos métodos de IA dentro de su práctica clínica.
Referencias
1.
Dumić-Čule I, Orešković T, Brkljačić B, Tiljak MK, Orešković S. The
importance of introducing artificial intelligence to the medical
curriculum – assessing practitioners’ perspectives. Croatian Medical
Journal.
2020;61(61):457–64.
2. Gampala S, Vankeshwaram V, Gadula SSP. Is Artificial Intelligence
the New Friend for Radiologists? A Review Article. Cureus. 2020 Oct
24;12(10):e11137. doi: 10.7759/cureus.11137.
3. Zhao X, Qi S, Zhang B, Ma H, Qian W, Yao Y, et al. Deep CNN models
for pulmonary nodule classification: Model modification, model
integration, and transfer learning. J Xray Sci Technol.
2019;27(4):615–29.
4. Saba L, Biswas M, Kuppili V, Cuadrado Godia E, Suri HS, Edla DR, et
al The present and future of deep learning in radiology. Eur J Radiol.
2019 May;114:14-24. doi: 10.1016/j.ejrad.2019.02.038. Epub 2019 Mar 2.
5. Hardy M, Harvey H. Artificial intelligence in diagnostic imaging:
impact on the radiography profession. Br J Radiol. 2020
Apr;93(1108):20190840. doi: 10.1259/bjr.20190840. Epub 2019 Dec 16.
6. Syed AB, Zoga AC. Artificial Intelligence in Radiology: Current
Technology and Future Directions. Semin Musculoskelet Radiol. 2018
Nov;22(5):540-545. doi: 10.1055/s-0038-1673383. Epub 2018 Nov 6.
7. Futoma J, Simons M, Panch T, Doshi-Velez F, Celi LA. The myth of
generalisability in clinical research and machine learning in health
care. Lancet Digit Health. 2020 Sep;2(9):e489-e492. doi: 10.1016/S2589-
7500(20)30186-2. Epub 2020 Aug 24.
8. Recht MP, Dewey M, Dreyer K, Langlotz C, Niessen W, Prainsack B, et
al. Integrating artificial intelligence into the clinical practice of
radiology: challenges and recommendations. Eur Radiol. 2020
Jun;30(6):3576-3584. doi: 10.1007/s00330-020-06672-5. Epub 2020 Feb 17.
9. Rubin DL. Artificial Intelligence in Imaging: The Radiologist’s Role. J Am Coll Radiol. 2019;1;16(9):1309–17.
10. Fazal MI, Patel ME, Tye J, Gupta Y. The past, present and future
role of artificial intelligence in imaging. Eur J Radiol. 2018
Aug;105:246-250. doi: 10.1016/j. ejrad.2018.06.020. Epub 2018 Jun 22.
11. Mascarenhas VV, Caetano A, Dantas P, Rego P. Advances in FAI
Imaging: a Focused Review. Curr Rev Musculoskelet Med. 2020
Oct;13(5):622-640. doi: 10.1007/s12178-020-09663-7.
12. Chen J, Wu L, Zhang J, Zhang L, Gong D, Zhao Y,et al. Deep
learning-based model for detecting 2019 novel coronavirus pneumonia on
high-resolution computed tomography. Sci Rep. 2020 Nov 5;10(1):19196.
doi: 10.1038/s41598-020-76282-0.
13. Roy D, Panda P, Roy K. Tree-CNN: A hierarchical Deep Convolutional
Neural Network for incremental learning. Neural Netw. 2020
Jan;121:148-160. doi: 10.1016/j.neunet.2019.09.010. Epub 2019 Sep 19.
14. Jing Y, Bian Y, Hu Z, Wang L, Xie XQ. Deep Learningfor Drug Design:
an Artificial Intelligence Paradigm for Drug Discovery in the Big Data
Era. AAPS J. 2018 Mar 30;20(3):58. doi: 10.1208/s12248-018-0210-0.
15. Pianykh OS, Langs G, Dewey M, Enzmann DR, Herold CJ, Schoenberg SO,
et al. Continuous Learning AI in Radiology: Implementation Principles
and Early Applications. Radiology. 2020 Oct;297(1):6-14. doi:
10.1148/radiol.2020200038. Epub 2020 Aug 25.
16. McMillan AB. Making your AI smarter: Continuous learning artificial
intelligence for radiology. Radiology. 2020;23(297):15–16.
17. Geras KJ, Mann RM, Moy L. Artificial Intelligence for Mammography
and Digital Breast Tomosynthesis: Current Concepts and Future
Perspectives. Radiology. 2019 Nov;293(2):246-259. doi:
10.1148/radiol.2019182627. Epub 2019 Sep 24.
18. Ather S, Kadir T, Gleeson F. Artificial intelligence and radiomics
in pulmonary nodule management: current status and future applications.
Clin Radiol. 2020 Jan;75(1):13-19. doi: 10.1016/j.crad.2019.04.017.
Epub 2019 Jun 12.
19. Nasrullah N, Sang J, Alam MS, Mateen M, Cai B, Hu H. Automated Lung
Nodule Detection and Classification Using Deep Learning Combined with
Multiple Strategies. Sensors (Basel). 2019 Aug 28;19(17):3722. doi:
10.3390/s19173722.
20. Ardila D, Kiraly AP, Bharadwaj S, Choi B, Reicher JJ, Peng L, et
al. End-to-end lung cancer screening with three-dimensional deep
learning on low-dose chest computed tomography. Nat Med. 2019
Jun;25(6):954- 961. doi: 10.1038/s41591-019-0447-x. Epub 2019 May 20.
21. Binczyk F, Prazuch W, Bozek P, Polanska J. Radiomics and artificial
intelligence in lung cancer screening. Transl Lung Cancer Res. 2021
Feb;10(2):1186-1199. doi: 10.21037/tlcr-20-708.
22. Sun Y, Reynolds HM, Parameswaran B, Wraith D, Finnegan ME, Williams
S, et al. Multiparametric MRI and radiomics in prostate cancer: a
review. Australas Phys Eng Sci Med. 2019 Mar;42(1):3-25. doi:
10.1007/s13246- 019-00730-z. Epub 2019 Feb 14.
23. Mazurowski MA. Artificial Intelligence May Cause a Significant
Disruption to the Radiology Workforce. J Am Coll Radiol. 2019
Aug;16(8):1077-1082. doi: 10.1016/j. jacr.2019.01.026. Epub 2019 Apr 8.
24. Rubin DL. Artificial Intelligence in Imaging: The Radiologist's
Role. J Am Coll Radiol. 2019 Sep;16(9 Pt B):1309-1317. doi:
10.1016/j.jacr.2019.05.036.
25. Lalwani N, Shanbhogue KP, Jambhekar K, Jha S, Ram R, Itri JN, et
al. New Job, New Challenges: Life After Radiology Training. AJR Am J
Roentgenol. 2019 Mar;212(3):483-489. doi: 10.2214/AJR.18.20398. Epub
2019 Jan 30.
26. Yasaka K, Abe O. Deep learning and artificial intelligence in
radiology: Current applications and future directions. PLoS Med. 2018
Nov 30;15(11):e1002707. doi: 10.1371/journal.pmed.1002707.
27. Mayo RC, Leung J. Artificial intelligence and deep learning -
Radiology's next frontier? Clin Imaging. 2018 May-Jun;49:87-88. doi:
10.1016/j.clinimag.2017.11.007. Epub 2017 Nov 16.
28. Kim DW, Jang HY, Kim KW, Shin Y, Park SH. Design Characteristics of
Studies Reporting the Performance of Artificial Intelligence Algorithms
for Diagnostic Analysis of Medical Images: Results from Recently
Published Papers. Korean J Radiol. 2019 Mar;20(3):405-410. doi:
10.3348/kjr.2019.0025.
29. Jin C, Chen W, Cao Y, Xu Z, Tan Z, Zhang X, et al. Development and
evaluation of an artificial intelligence system for COVID-19 diagnosis.
Nat Commun. 2020 Oct 9;11(1):5088. doi: 10.1038/s41467-020-18685-1.
30. Kobayashi Y, Ishibashi M, Kobayashi H. How will "democratization of
artificial intelligence" change the future of radiologists? Jpn J
Radiol. 2019 Jan;37(1):9-14. doi: 10.1007/s11604-018-0793-5. Epub 2018
Dec 21.
31. Chen J, See KC. Artificial Intelligence for COVID-19: Rapid Review.
J Med Internet Res. 2020 Oct 27;22(10):e21476. doi: 10.2196/21476.
32. ¿Hay déficit de especialistas médicos en Colombia? - Razón Pública
[Internet]. 2018 [citado el 13 de junio de 2021]. Disponible en: https://razonpublica.com/hay-deficit-de-especialistas-medicos-en-colombia/
33. Huynh E, Hosny A, Guthier C, Bitterman DS, Petit SF, Haas-Kogan DA,
et al. Artificial intelligence in radiation oncology. Nat Rev Clin
Oncol. 2020 Dec;17(12):771- 781. doi: 10.1038/s41571-020-0417-8. Epub
2020 Aug 25.
34. Harrington SG, Johnson MK. The FDA and Artificial Intelligence in
Radiology: Defining New Boundaries. J Am Coll Radiol. 2019
May;16(5):743-744. doi: 10.1016/j.jacr.2018.09.057. Epub 2018 Dec 7.
35. Albahri OS, Zaidan AA, Albahri AS, Zaidan BB, Abdulkareem KH,
Al-Qaysi ZT, et al. Systematic review of artificial intelligence
techniques in the detection and classification of COVID-19 medical
images in terms of evaluation and benchmarking: Taxonomy analysis,
challenges, future solutions and methodological aspects. J Infect
Public Health. 2020 Oct;13(10):1381-1396. doi:
10.1016/j.jiph.2020.06.028. Epub 2020 Jul 1.
36. Keek SA, Leijenaar RT, Jochems A, Woodruff HC. A review on
radiomics and the future of theranostics for patient selection in
precision medicine. Br J Radiol. 2018 Nov;91(1091):20170926. doi:
10.1259/bjr.20170926. Epub 2018 Jul 5.
37. Benjamens S, Dhunnoo P, Meskó B. The state of artificial
intelligence-based FDA-approved medical devices and algorithms: an
online database. NPJ Digit Med. 2020 Sep 11;3(1):118. doi:
10.1038/s41746-020-00324-0. PMID: 34508167.