El aprendizaje profundo y la inteligencia artificial impulsan las técnicas de diagnóstico médico
Los procedimientos no invasivos basados en la imagen, como la resonancia magnética (RM) y la tomografía axial computarizada, se utilizan para diagnosticar y controlar enfermedades. En la era de la informática de alto rendimiento y de los datos masivos, los grandes conjuntos de datos de imágenes obtenidos a partir de estos procedimientos pueden utilizarse para entrenar sofisticados modelos basados en la inteligencia artificial (IA), con el fin de identificar y respaldar formas nuevas y más eficientes de tratar a los pacientes. Los más precisos y útiles de estos modelos pueden incluirse en los sistemas de apoyo al diagnóstico clínico. Estos sistemas de apoyo clínico, que reúnen datos centrados en el paciente y, a menudo, incluyen alertas y recordatorios automatizados para el personal asistencial, constituyen un beneficio potencial clave de la aplicación de la IA en la medicina.
Compatibilidad y eficiencia informática
«Desde un punto de vista técnico, las ventajas de los sistemas de apoyo al diagnóstico clínico se entienden y se aprecian —afirma el director técnico de DeepHealth, Jon Ander Gómez, de la Universidad Politécnica de Valencia (UPV), en España—. El reto consiste en desarrollar más adaptaciones y aprovechar los desarrollos actuales». La inspiración del proyecto DeepHealth, financiado con fondos europeos y coordinado por NTT DATA (España), surgió del trabajo de colaboración realizado entre la UPV y FISABIO. Este trabajo se centró en el procesamiento de imágenes procedentes de RM para diagnosticar casos de enfermedad de Alzheimer, así como imágenes de RM de la columna vertebral. «Lo que observamos fue una falta de homogeneidad en las aplicaciones y bibliotecas de programas informáticos para construir canales a fin de tratar datos médicos —principalmente imágenes— y entrenar modelos basados en IA de una manera más rápida», explica Gómez. Otra de las necesidades identificadas fue la de lograr una mayor eficiencia informática al trabajar con grandes conjuntos de datos de imágenes médicas.
Aplicación de casos prácticos médicos
Por ello, el equipo de DeepHealth se propuso ayudar a los científicos de datos del sector médico a entrenar más fácilmente los modelos basados en la IA. Para ello ha sido fundamental la creación de dos nuevas bibliotecas: la European Distributed Deep Learning Library (EDDL) y la European Computer Vision Library (ECVL). «El objetivo de la ECVL era poder cargar imágenes médicas en cualquier formato y realizar las transformaciones de imagen necesarias para entrenar redes neuronales profundas», señala la coordinadora del proyecto DeepHealth, Mónica Caballero, de NTT DATA (España). La EDDL ofrece funcionalidades de aprendizaje profundo, además de distribuir la carga de trabajo entre los recursos informáticos disponibles. La adaptación de ambas bibliotecas para garantizar la compatibilidad con diferentes plataformas operativas fue un resultado fundamental. A continuación, ambas bibliotecas se integraron en siete plataformas de «software» y se evaluaron mediante quince casos de uso final. Estos casos incluían, por ejemplo, el diagnóstico del cáncer de colon y del cáncer de pulmón, así como la predicción de migrañas y crisis epilépticas. En cada caso, el equipo del proyecto pudo demostrar los beneficios de aplicar técnicas de aprendizaje profundo en el diagnóstico de afecciones específicas.
Una herramienta de código abierto para mejorar los diagnósticos
La ECVL y la EDDL son las bibliotecas centrales del conjunto de herramientas del proyecto DeepHealth. En este conjunto se incluye un modo administrador que ofrece todas las funcionalidades de las bibliotecas, así como una interfaz de usuario basada en la web. «Esto permite a los científicos de datos sin conocimientos detallados sobre aprendizaje profundo, visión artificial o informática de alto rendimiento llevar a cabo una serie de aplicaciones», dice Gómez. Este conjunto de herramientas es de código abierto y gratuito. «Nuestro objetivo ahora es fomentar el uso del conjunto de herramientas de DeepHealth —y, en particular, de las bibliotecas de DeepHealth— en las instituciones de investigación y en la industria», destaca Caballero. Mientras tanto, se seguirán mejorando las bibliotecas y el conjunto de herramientas en su totalidad. Al hacer que los grandes conjuntos de datos de imágenes médicas sean más accesibles, compartibles y eficientes para su procesamiento, el equipo de DeepHealth ha contribuido de manera significativa a lograr una asistencia sanitaria más personalizada y a mejorar el tratamiento de los pacientes.
Palabras clave
DeepHealth, biomédico, médico, RM, IA, código abierto, conjuntos de datos, diagnósticos, imágenes
