El estudio se basa en los resultados obtenidos en el Digital Mammography (DM) DREAM Challenge, una competición internacional liderada por IBM donde han participado investigadores del IFIC (centro mixto Universitat de València-CSIC) junto a científicos del Instituto de Telecomunicaciones y Aplicaciones Multimedia (iTEAM) de la Universitat Politècnica de València. Se trata del único grupo español que ha conseguido llegar a la final del reto.
Para ello, el equipo ha desarrollado desde cero un algoritmo de predicción basado en redes neuronales convolucionales, una técnica de inteligencia artificial que simula las neuronas de la corteza visual y permite la clasificación de imágenes, además del autoaprendizaje del sistema. También han aplicado principios relativos a la interpretación de rayos X, donde el grupo dispone de varias patentes. Los resultados del equipo valenciano junto al resto de finalistas son los que ahora se publican en Journal of the American Medical Association (JAMA Network Open).
“Haber participado en este reto nos ha permitido colaborar en proyectos de inteligencia artificial con grupos clínicos de la Comunidad Valenciana”, dice Alberto Albiol, profesor titular de la UPV y miembro del grupo iTEAM. “Esto nos ha abierto oportunidades para aplicar las técnicas de Machine Learning, tal como se plantea en el artículo”.
El trabajo realizado por los investigadores valencianos se está desarrollando en Artemisa, la nueva plataforma de computación para Inteligencia Artificial del IFIC, financiada por la Unión Europea y la Generalitat Valenciana dentro del Programa operativo FEDER de la Comunitat Valenciana 2014-2020 para la adquisición de infraestructuras y equipamiento de I+D+i.
“Con la aplicación sostenible de la Inteligencia Artificial se pretende reducir costes operacionales de la sanidad”, destaca Francisco Albiol, investigador del IFIC participante en el estudio. “Los retos abarcan desde la parte algorítmica hasta el diseño, junto al sector médico, de estrategias basadas en evidencias. La IA aplicada a gran escala es una de las tecnologías más prometedoras para hacer la sanidad sostenible”, remarca.
El Digital Mammography (DM) DREAM Challenge involucra a más de 1.200 investigadores de todo el mundo. Dirigido por IBM Research, Sage Bionetworks y Kaiser Permanente Washington Research Institute, la competición ha concluido que una combinación de métodos, sumada a las evaluaciones de los expertos, mejora la precisión de los exámenes. Kaiser Permanente Washington (KPW) y el Karolinska Institute (KI) de Suecia han proporcionado cientos de miles de mamografías y datos clínicos sin identificar.
“Nuestro estudio sugiere que una combinación de algoritmos de Inteligencia Artificial y las interpretaciones de los radiólogos podrían conseguir que medio millón de mujeres al año no tengan que someterse a pruebas de diagnóstico innecesarias sólo en los Estados Unidos”, resume Gustavo Stolovitzky, director del programa de IBM dedicado a Biología Traslacional de Sistemas y Nanobiotecnología en el Centro de Investigación Thomas J. Watson, y fundador de los DREAM Challenges.
Las mamografías son la técnica de diagnóstico más usada para la detección temprana del cáncer de mama. Aunque esta herramienta de detección es por lo común efectiva, las mamografías deben ser evaluadas e interpretadas por un radiólogo, que usa su percepción visual humana para identificar signos del cáncer. Así, se estima un 10% de ‘falsos positivos’ en los 40 millones de mujeres que se someten a mamografías programadas cada año en Estados Unidos.
“Un algoritmo efectivo de Inteligencia Artificial que pueda aumentar la capacidad del radiólogo de reducir la repetición de pruebas innecesarias, a la vez que detecta cánceres clínicamente significativos, ayudaría a aumentar el valor de la detección de las mamografías, mejorando eficazmente la relación daño-beneficio”, concluye el doctor Christoph Lee, de la Washington School of Medicine.
Referencias:
“Evaluation of Combined Artificial Intelligence and Radiologist Assessment to Interpret Screening Mamograms”, JAMA Network Open. 2020;3(3):e200265. DOI:10.1001/jamanetworkopen.2020.0265