¿Qué puede ver la inteligencia artificial en las tomografías que los humanos no ven?

Si una imagen vale más que mil palabras, una tomografía computarizada del tórax bien podría ser La rebelión de Atlas. Cuando se piensa en la cantidad de información que contiene una de esas tomografías, queda claro de inmediato que nuestro método habitual de interpretación de las tomografías debe de estar dejando muchas cosas sobre la mesa. Al fin y al cabo, podemos revisar toda esa información y decir simplemente “normal” y dar por resuelto el asunto.^[1]

Por supuesto, los radiólogos pueden extraer muchas cosas de una tomografía, pero están formados para buscar anomalías. Pueden detectar neumonías, émbolos, fracturas y neumotórax, pero la presencia o ausencia de anomalías potencialmente mortales no es más que una fracción de los datos que ahí se encuentran.

Extraer más datos de esas imágenes —datos que pueden no indicar una enfermedad per se, pero que, sin embargo, nos dicen algo importante sobre un paciente y sus riesgos— podría corresponder a esas entidades que están preparadas para tomar una gran cantidad de datos e interpretarlos de nuevas maneras: la inteligencia artificial.

Esta semana pienso en la inteligencia artificial y las tomografías computarizadas gracias a un estudio, publicado en Radiology, de Kaiwen Xu y sus colaboradores de la Vanderbilt University en Nashville, Estados Unidos.^[1]

En un estudio anterior, el equipo había desarrollado un algoritmo de inteligencia artificial para obtener imágenes de tomografías computarizadas torácicas y convertir esos datos en información sobre la composición corporal: masa muscular esquelética, masa grasa, contenido lipídico muscular… ese tipo de cosas.^[2]

Este es un magnífico ejemplo de cómo la inteligencia artificial puede tomar datos que ya tenemos a la mano y hacer algo nuevo con ellos. Mientras los radiólogos están ocupados buscando cáncer o neumonía, la inteligencia artificial puede crear un informe de composición corporal: dos resultados a partir de un flujo de datos. He aquí un ejemplo de informe generado a partir de una tomografía computarizada de la página GitHub de los autores.

Lo interesante aquí es que se trata de una tomografía computarizada del tórax que se obtuvo clínicamente, no de un protocolo especial diseñado para evaluar la composición corporal. De hecho, procede del conjunto de datos del ensayo de cribado del cáncer de pulmón con dosis bajas. La Comisión de Servicios Preventivos de Estados Unidos (USPSTF) recomienda la realización de una tomografía axial computarizada torácica de baja dosis cada año a las personas de 50 a 80 años con un antecedente de tabaquismo de al menos una cajetilla diaria durante 20 años.

En realidad, estas tomografías axiales computarizadas forman un conjunto de datos increíble, ya que todos se obtienen casi con los mismos parámetros. Obviamente, lo importante es que identifiquen si se trata de un cáncer de pulmón incipiente. Pero el nuevo artículo se pregunta: ya que podemos obtener información sobre la composición corporal a partir de estos escáneres, ¿por qué no lo hacemos? ¿Puede ayudar a estratificar el riesgo de estos pacientes?

Las tomografías de 20.768 individuos obtenidas como parte del ensayo de cribado de cáncer de pulmón con dosis bajas fueron pasados por su canal automatizado de datos.

Una característica interesante: dependiendo del tamaño del cuerpo, a veces los bordes de las personas en las tomografías no son visibles. Esto no es un gran problema para la detección del cáncer de pulmón, siempre que se puedan ver los dos pulmones. Pero sí es importante para evaluar el músculo y la grasa corporal, ya que estos elementos se hallan en los bordes de la cavidad torácica. El procesamiento de datos de los autores tiene esto en cuenta, pues extrapola el aspecto de las piezas que faltan a partir de lo que se puede ver. Es bastante inteligente.

Pasemos a los resultados. ¿Ayudaría el conocimiento de la composición corporal del paciente a predecir su resultado final?La respuesta tras el estudio es sí, y el mejor predictor que se encontró fue la atenuación de músculo esquelético —niveles más bajos de atenuación de músculo esquelético significan más grasa infiltrada en el músculo—, por lo que más bajo es peor aquí. Se puede ver en estas curvas de mortalidad por cualquier causa que los niveles más bajos se asociaron con una esperanza de vida sustancialmente peor.

Cabe señalar que se trata de curvas no ajustadas. Aunque la predicción por inteligencia artificial a partir de imágenes de tomografía computarizada es muy interesante, podríamos hacer predicciones similares conociendo, por ejemplo, la edad del paciente. Para tenerlo en cuenta, los autores ajustaron los resultados en función de edad, diabetes, cardiopatías, ictus y puntuación de calcio coronario (también calculada a partir de esas mismas tomografías). Incluso después del ajuste, la atenuación de músculo esquelético se asoció significativamente con la mortalidad por cualquier causa, por causas cardiovasculares y por cáncer de pulmón, pero no con la incidencia de cáncer de pulmón.

Estos resultados nos indican que es probable que la atenuación de músculo esquelético tenga un significado fisiológico y constituyen una excelente demostración preliminar de que las técnicas automatizadas de extracción de datos pueden aplicarse ampliamente a las imágenes radiológicas obtenidas de forma sistemática.

Dicho esto, una cosa es demostrar que algo es fisiológicamente relevante, pero en términos de predicción de resultados, añadir esta información a un modelo que solo contiene factores clínicos como la edad y la diabetes no mejora mucho las cosas. Medimos esto con algo llamado índice de concordancia. Nos indica la probabilidad de que, dados dos individuos, podamos identificar antes a la persona que tiene el resultado que nos interesa, si es que podemos. (La peor puntuación es de 0,5 y la mejor es de 1). Un modelo sin los datos de inteligencia artificial da un índice de concordancia para la mortalidad por cualquier causa de 0,71 o 0,72, dependiendo del sexo. Si se añaden los datos de composición corporal, solo aumenta en un punto porcentual, más o menos.

Sinceramente, me parece una oportunidad perdida. Los autores pasan los datos de imágenes a través de una inteligencia artificial para obtener datos de composición corporal y luego ven cómo eso predice la muerte.

¿Por qué no saltarse al intermediario? Entrenar un modelo a partir de los datos de imagen para predecir directamente la muerte, utilizando la señal que la inteligencia artificial elija: composición corporal, tamaño de los pulmones, espesor de las costillas… lo que sea.

Me daría mucha curiosidad por ver cómo ese modelo podría mejorar nuestra capacidad para predecir estos resultados. En definitiva, se trata de un campo en el que la inteligencia artificial puede aportar grandes beneficios, no porque intente hacer el trabajo de los radiólogos mejor que ellos, sino extrayendo información que los radiólogos no están buscando en primera instancia.

Fuente: https://espanol.medscape.com/verarticulo/5911228?ecd=mkm_ret_230803_mscpmrk-ES_TopArticles_etid5703114&uac=436592HR&impID=5703114#vp_2