ENTREVISTA: ¿Cómo funciona un diagnóstico asistido por ordenador?

Charlamos con Daniel González Peña, bioinformático de la universidad de Vigo, sobre las nuevas herramientas de diagnóstico asistido por ordenador, Deep learning y las neural networks. POLYDEEP es una herramienta de diagnóstico asistido por ordenador de pólipos en tiempo real, durante las endoscopias.

P- ¿En qué consiste este tipo de herramientas?

R-Un sistema de diagnóstico asistido por ordenador (CAD, Computer aided diagnosis) pretende detectar patrones en los datos a través de un software basado en algoritmos creados para identificar regiones anómalas, en este caso, para identificar pólipos a partir de imágenes endoscópicas, abordando tanto la detección como clasificación del mismo. Nuestro objetivo es crear un sistema que sea capaz de detectar, localizar y clasificar pólipos durante la realización de una endoscopia que sirva como apoyo a la toma de decisiones del endoscopista sobre el diagnóstico a seguir con el paciente.

SING (Sistemas Informáticos de Nueva Generación), Departamento de Informática, Universidad de Vigo. De izquierda a derecha: Rubén Domínguez Carbajales, Miguel Reboiro Jato (Investigador Principal POLYDEEP), Hugo López Fernández, Florentino Fernández Riverola (Investigador Principal Grupo SING), Alba Nogueira Rodríguez, Daniel González Peña (Investigador Principal POLYDEEP)

P- ¿Cómo se le consigue enseñar a un software a diagnosticar?

R- Enseñar a un software a diagnosticar se puede hacer básicamente de dos formas:

La primera es programando un algoritmo específico, o solución clásica, lo cual no es siempre posible debido al desconocimiento del problema.

La segunda opción es infiriendo automáticamente en dicho algoritmo a base de “aprender” mediante datos de ejemplo.

En nuestro caso optamos por la segunda opción, es decir, empleamos técnicas de lo que se conoce como Machine Learning, rama ubicada dentro de la Inteligencia Artificial, que hace posible que el sistema aprenda de forma autónoma a tomar decisiones. Esto se consigue entrenando al sistema con muchos datos etiquetados para que él mismo establezca combinaciones de características que tienden a aparecer juntas y sea capaz de crear de un modelo de predicción lo más preciso posible. Una vez establecido un modelo, se mide el éxito en las predicciones con nuevas muestras de entrada que el sistema no haya visto anteriormente.

P- ¿Qué es el deep learning?

R- El Deep Learning es un tipo de Machine Learning que trata directamente los datos en crudo y de forma jerárquica, descubriendo las representaciones óptimas para la tarea concreta a resolver, desde un nivel más concreto a un nivel abstracto. En las primeras capas se aprende a detectar elementos sencillos y esta información se va enviando a las siguientes capas. Cada capa recupera la información de la capa anterior, la combina y consigue información algo más compleja para transmitir a la siguiente capa, y así sucesivamente.

P- ¿Es lo mismo que las neural networks?

R- Una de las técnicas más utilizadas de Deep Learning y también en nuestro proyecto en el análisis de imagen, son las Convolutional Neural Networks (CNN, redes neuronales convolucionales). Las CNN son un tipo especial de red neuronal que, por un lado, presenta un mayor número de capas ocultas que una red clásica y, por otro, asume que la información de entrada son imágenes, siendo viables para analizar imágenes a mayores resoluciones que las redes neuronales clásicas.

P- ¿Cuál es la finalidad de desarrollar este tipo de herramientas?

R- Las motivaciones para la construcción de tales herramientas son: en primer lugar el ahorro de tiempo y reducción de costes, también la mejora en la precisión del diagnóstico, además de la reducción de errores observacionales humanos, y por último, la inclusión de nuevas herramientas de entrenamiento de personal clínico en técnicas novedosas. La mejora del diagnóstico puede beneficiar tanto a los pacientes, por evitar extirpaciones innecesarias de pólipos, y a los sistemas sanitarios, por su potencial en reducción de costes en diagnóstico y tratamiento.

P- ¿Cómo está prevista su implantación en las unidades de endoscopia?

R- Se creará un prototipo para ser integrado en las torres de endoscopia disponibles en el Complexo Hospitalario Universitario de Ourense (CHUO), dando preferencia a aquellas soluciones que sean genéricas y puedan ser integradas en distintos modelos de torres. Esto permite que el prototipo sea evaluado en un entorno clínico y, en caso de ser necesario, ajustarlo a las necesidades reales de los endoscopistas.

P- ¿Cree que algún día podrá llegar a sustituir el trabajo médico, únicamente siendo necesaria la supervisión por su parte?

R- La Inteligencia Artificial en medicina están sirviendo en la actualidad para desarrollar sistemas de apoyo a la toma de decisiones clínicas, aportando información objetiva, independiente del observador y su experiencia. Si bien es cierto que no creo que se llegue a sustituir el médico, estos sistemas pueden llegar a asumir tareas sencillas y rutinarias o tareas que son inabordables a nivel humano, como procesar millones de registros en bases de datos buscando patrones. En concreto, nuestro proyecto se desarrolla como apoyo al endoscopista durante la exploración, en ningún momento se dota al sistema para realizar la endoscopia ni las detecciones y diagnósticos propuestos por el mismo deben considerarse definitivos.

P- ¿Cómo habría que modificar la estructura del equipo que compone estos servicios actualmente? Por ejemplo, ¿habría que añadir bioinformáticos e ingenieros para el mantenimiento y el análisis de los datos obtenidos?

R- El modelo, una vez implantado, no requiere de mantenimiento especializado. Si bien es cierto que podría ser interesante el re-entrenamiento de la red neuronal con nuevos datos o incluso la mejora de su arquitectura, para lo cual sí serían necesarios bioinformáticos e ingenieros, creemos que esta tarea no se llevaría a cabo en los servicios de endoscopia.

P- ¿Cree que el banco de imágenes que se está desarrollando a raíz de este proyecto tendrá más usos que «enseñar a las máquinas»? Por ejemplo, aplicarlo en la formación de médicos.

R- Sí, tanto los vídeos como las imágenes pueden utilizarse para la formación de los médicos. El banco de imágenes tiene información del diagnóstico histológico de los pólipos, es decir, dichos pólipos fueron extraídos y analizados en el laboratorio, el cual es estándar de referencia en el diagnóstico. Por ello, esta base de datos puede servir como fuente de conocimiento sobre los distintos tipos de pólipos existentes, de gran valor formativo.

Desde Visto de Otro Lado nos gustaría agradecer, tanto a Daniel, como a su equipo de la universidad de Vigo, el tiempo empleado en explicarnos su proyecto.

GIODO (Grupo de Investigación en Oncología Digestiva de Ourense), Complexo Hospitalario Universitario de Ourense. De izquierda a derecha: Manuel Puga Giménez de Azcárate, Jesús Miguel Herrero Rivas, Laura Rivas del Moral, Águeda Iglesias Gómez, Eloy Sánchez Hernández, Joaquín Cubiella (Investigador Principal GIODO).

Enlaces de interés:
SING: Next Generation Computer Systems (http://sing-group.org)  http://sing-
group.org/dgpena
CINBIO: Biomedical Research Centre (http://cinbio.es)
ESEI: Computer Science University School (http://esei.uvigo.es)
Computer Science Department – University of Vigo (http://www.di.uvigo.es)