La capacidad de un ordenador para predecir cuánto te queda de vida simplemente mirando las imágenes de tus órganos está a un paso de convertirse en una realidad, gracias una nueva investigación.
Los enfoques de medicina de precisión se basan en la obtención de un conocimiento preciso del verdadero estado de salud de un paciente en concreto, que resulta de una combinación de sus riesgos genéticos y exposiciones ambientales. Este enfoque está actualmente limitado por la falta de pruebas médicas no invasivas efectivas y eficientes, para definir la gama completa de la variación fenotípica asociada con la salud individual. Este conocimiento es fundamental para mejorar la intervención temprana, para tomar las decisiones del tratamiento y para tratar la epidemia de enfermedades crónicas que empeora constantemente.
Se han presentado experimentos de prueba para demostrar cómo por la adquisición sistemática de imágenes a través de la TC de corte transversal se puede utilizar para predecir la longevidad del paciente como una guía para la salud individual y el estado general de la enfermedad mediante técnicas de análisis de imagen por ordenador. A pesar de las limitaciones de un conjunto de datos modesto y el uso de métodos de aprendizaje de la máquina, nuestros resultados son comparables a los métodos clínicos manuales previos para la predicción de la longevidad.
Este trabajo demuestra que las técnicas radiográficas pueden utilizarse para extraer biomarcadores relevantes para cada uno de los resultados más ampliamente utilizados en la investigación epidemiológica y clínica, sobre la mortalidad; y que el aprendizaje profundo con las redes neuronales convolucionales (redes neuronales artificiales) puede aplicarse de manera útil a la investigación radiológica. El análisis de imágenes computarizadas aplicado a imágenes médicas recopiladas rutinariamente ofrece un potencial sustancial para mejorar las iniciativas de medicina de precisión.
La investigación, ahora publicada en la revista científica Nature Reports, tiene implicaciones para el diagnóstico precoz de enfermedades graves y la intervención médica.
Investigadores de la Escuela de Salud Pública de la Universidad y la Escuela de Ciencias de la Computación, junto con colaboradores australianos e internacionales, utilizaron la inteligencia artificial para analizar la imagen médica de 48 pechos de pacientes. Este análisis computarizado fue capaz de predecir qué pacientes morirían dentro de cinco años, con el 69% de precisión, comparable a las predicciones «manuales» por los clínicos.
Este es el primer estudio de este tipo con imágenes médicas e inteligencia artificial.
«Predecir el futuro de un paciente es útil porque puede ayudar a los médicos a adaptar los tratamientos al individuo«, dice el autor principal, el Dr. Luke Oakden-Rayner, radiólogo y estudiante de doctorado de la Escuela de Salud Pública de la Universidad de Adelaida.
«La evaluación precisa de la edad biológica y la predicción de la longevidad de un paciente ha sido hasta ahora limitada a la capacidad de los médicos para mirar el interior del cuerpo y medir la salud de cada órgano”, casi como lo hacían los antiguos arúspices.
«Nuestra investigación ha indagado en el uso del «aprendizaje profundo», una técnica donde los sistemas informáticos pueden aprender a entender y analizar imágenes” mediante algoritmos.
«Aunque para este estudio solo se utilizó una pequeña muestra de pacientes, nuestra investigación sugiere que la computadora ha aprendido a reconocer las apariciones complejas de imágenes de las enfermedades, algo que requiere un entrenamiento extenso para los expertos humanos», dice el Dr. Oakden-Rayner.
Si bien los investigadores no pudieron identificar exactamente lo que el sistema informático estaba viendo en las imágenes para hacer sus predicciones, las predicciones más fiables se hicieron para los pacientes con enfermedades crónicas severas como el enfisema y la insuficiencia cardíaca congestiva.
«En lugar de centrarse en el diagnóstico de enfermedades, los sistemas automatizados pueden predecir los resultados médicos de una manera que los médicos no están capacitados para hacer, mediante la incorporación de grandes volúmenes de datos y la detección de patrones sutiles», dice el Dr. Oakden-Rayner.
«Nuestra investigación abre nuevas vías para la aplicación de la tecnología de inteligencia artificial en el análisis de imágenes médicas, y podría ofrecer una nueva esperanza para la detección temprana de enfermedades graves, que requieren intervenciones médicas específicas«.
Presentamos un estudio preliminar de «prueba de principio» para evaluar la utilidad de la imagen médica para el fenotipado de la salud. Investigamos el análisis de la TC torácica de forma rutinaria en pacientes adultos (edad> 60) para predecir la longevidad. Elegimos la longevidad como nuestro resultado primario, ya que la mortalidad representa un resultado fácilmente obtenido y bien definido (en este caso, la tasa de mortalidad a los 5 años) y se correlaciona fuertemente con la presencia subyacente de enfermedad crónica. La fuerte relación entre la edad, la morbilidad y la mortalidad motiva la selección de la mortalidad a corto plazo como biomarcador sustituto para el estado general de salud. Las tomografías computarizadas son también la modalidad de imagen transversal menos variable a la estandarización de valores de píxeles y la relación definida entre los valores de píxeles y la densidad física del tejido. Finalmente, el tórax contiene tejidos directamente implicados en gran parte de la morbilidad y mortalidad en adultos mayores (es decir, en los pulmones, corazón, grandes vasos y otros órganos). Muchos de los métodos existentes de biomarcadores de imágenes cuantitativas relacionadas con la enfermedad crónica y la mortalidad utilizan CT imágenes de tórax.
La predicción de la mortalidad se ha intentado previamente utilizando datos clínicos, incluidos los resultados de las encuestas y las pruebas de laboratorio. Si bien se ha logrado una precisión prometedora con estos métodos, las herramientas no han sido ampliamente adoptadas. Ha habido un trabajo mínimo para integrar los datos de imágenes médicas en los sistemas para predecir la mortalidad.
Investigamos tanto el análisis de imagen tradicional con características definidas por humanos y técnicas de aprendizaje profundo («redes neuronales convolucionales») para esta tarea, ya que estas técnicas tienen diferentes fortalezas y debilidades. En particular, los métodos tradicionales de análisis de imágenes han sido previamente validados como un método para describir cambios sutiles en los tejidos, y el aprendizaje profundo ofrece el aprendizaje automático y sin hipótesis de características de imágenes complejas y de alto nivel.
Presentamos la novedosa aplicación de estos métodos a la predicción de la longevidad en pacientes adultos mayores, como una evidencia para motivar la aplicación de técnicas de radiografía a imágenes médicas para producir biomarcadores para las aplicaciones de medicina de precisión.
Los investigadores esperan aplicar las mismas técnicas para predecir otras condiciones médicas importantes, como la aparición de ataques cardíacos.
La siguiente etapa de su investigación implica el análisis de decenas de miles de imágenes de pacientes.
