Es claro que en los últimos años la IA se ha convertido en un tema casi cotidiano. Tenemos teléfonos y pantallas de video inteligentes, asistentes personales que incluso entienden nuestras peticiones habladas.
Esto es apenas una pequeña parte de la cantidad de aplicaciones de la IA y la medicina, desde luego, es un importante nicho en el cual trabajan muchos investigadores.
Por ejemplo, hacer que sistemas automatizados hagan diagnósticos certeros de las enfermedades ha sido un trabajo que ha empezado desde que la IA comenzó a destacar en el mundo de las ciencias de la computación.
Doctores vs la Inteligencia Artificial
Cuando un médico hace un diagnóstico a un paciente, se basa en los síntomas, en su experiencia en el tema, en el trabajo cotidiano que le da un conocimiento sobre las posibles enfermedades que puede diagnosticar.
Los sistemas automáticos como Mycin, que hace diagnósticos de enfermedades infecciosas en la sangre, muchas veces mejor que los expertos en el tema, adolecen de no poder explicar a los que usan estos sistemas cómo es que se llegó al diagnóstico.
Esto ha sido un problema cotidiano en el diagnóstico automatizado, amén de que no se han resuelto otros problemas, como veremos más adelante.
Por ejemplo, en el tema de la imagenología, la IA ha destacado en el desarrollo de posibles diagnósticos. Un doctor puede ver una placa de rayos X o hacer una biopsia para observar posibles anormalidades, pero esto puede incrementarse usando aprendizaje profundo -usando redes neuronales.
Estos sistemas aprenden a llegar a diagnósticos por sí mismos y de hecho, muchos sistemas parecen hacerlo mejor que los doctores más experimentados.
Dos problemas están presentes aquí, cuando comparamos con los doctores humanos. Lo primero es que la IA no es transparente en cómo analiza las imágenes y segundo, estos sistemas son catalogados como «flojos».
La razón es que la IA halla un diagnóstico particular y detiene su análisis. Esto significa que un escaneo de imágenes no siempre se identifican anormalidades, incluso si el diagnóstico es correcto.
Un doctor, especialmente cuando busca dar un tratamiento, ve una imagen más amplia del problema que está tratando. En el caso de la imagenología es ¿qué veo en las placas? ¿qué anormalidades deben ser tratadas con cirugía?, por ejemplo.
Una IA más parecida a un médico humano
Para que los sistemas de IA en diagnóstico médico sean más atractivos y utilizables, Cristina González Gonzalo, una candidata a PhD en el Radboud University Medical Center, desarrolló una innovación de diagnóstico médico por IA.
Ella se basó en escaneos del ojo, en donde ocurren anormalidades en la retina, específicamente la retinopatía diabética y degeneración macular debido a la edad. Estas anormalidades pueden ser reconocidas por doctores y sistemas inteligentes. Pero hay anormalidades que frecuentemente ocurren en grupos.
En la IA clásica se podrían hacer un par de análisis de las anormalidades y detener el mismo.
En el proceso desarrollado por González, la IA revisa una y otra vez la imagen, aprendiendo a ignorar los lugares por donde ya ha pasado y descubriendo los nuevos. Más aún, la IA muestra qué áreas del escaneo se ven sospechosos, haciendo el proceso del diagnóstico más transparente.
La clave: el proceso iterativo
Un sistema básico de IA puede llegar a un diagnóstico basado en el análisis del escaneo del ojo, pero gracias a la contribución de González, puede mostrar cómo llegó al mismo.
Esta explicación visual muestra que el sistema sigue siendo flojo, pues detiene el análisis cuando tiene información suficiente para un diagnóstico. Pero gracias a este proceso iterativo, se exige a la IA a seguir buscando y crear así una imagen más completa de la que los radiólogos tienen.
Pero probablemente el trabajo de González sea apenas una parte de lo que debe hacerse para incorporar los diagnósticos automatizados en la medicina.
El problema quizás ya no puede definirse como técnico, pues muchos sistemas expertos, como el que mencionamos, Mycin, lo hace mejor que los expertos en enfermedades infecciosas de la sangre, pero el problema es cómo hacer que los pacientes confíen en los diagnósticos automatizados, y más aún, ¿quién sería el responsable en el caso de un diagnóstico equivocado? Los problemas éticos parecen rebasar a la parte técnica del problema.
Como sea, un camino más en el diagnóstico computarizado permitirá ir armando nuevas herramientas. Todo parece ser cuestión de avances tecnológicos y médicos.