La inteligencia artificial (IA) en la oftalmología

Este artículo fue publicado en el Noticiero #40, edición mayo/junio de 2020 y se publica con permiso de ALACCSA-R. Para más información sobre el Noticiero visite www.alaccsa.com

Dr. Mauro Campos
Brasil
mscampos@uol.com.br
Introducción

 La inteligencia artificial (IA) implica la realización de tareas por parte de una computadora como si fuera un ser humano. Con el uso de algoritmos especializados, la computadora (hardware o software) es capaz de reconocer a personas, traducir idiomas en tiempo real, conducir vehículos u obedecer a comandos de voz, como ya lo hacen Siri, Alexa o Cortana. En nuestra vida diaria, la presencia de la IA se vuelve cada vez más común con el desarrollo de procesadores de alta capacidad, almacenamiento en la nube y Big Data, los cuales han sido avances tecnológicos necesarios para su desarrollo.

Un diagnóstico o una decisión médica no se basa en un solo síntoma o signo de la enfermedad. En general, el proceso de toma de decisiones se basa en el aprendizaje, experiencias anteriores acumuladas desde la escuela de medicina hasta la práctica clínica diaria, enriquecida por la experiencia de otros profesionales, que nos es transmitida por trabajos científicos o incluso opiniones informales. Este conjunto de informaciones, al que asignamos diferentes pesos o valores, contribuye al proceso de toma de decisiones. Un paciente con pérdida visual repentina, ojos rojos y dolorosos puede tener glaucoma agudo en presencia de pupilas dilatadas o uveítis en presencia de una reacción en cámara anterior o sinequias. Los médicos experimentados son más capaces de hacer el diagnóstico correcto que los profesionales jóvenes, simplemente porque tienen un mayor volumen de información acumulada a lo largo de sus años profesionales.

Las decisiones no se basan en un único dato. Un ejemplo clásico es la presión ocular. De manera aislada, será difícil diagnosticar glaucoma en un paciente con una PIO de 21 mmHg. Por sí sola, la PIO no establece una diferencia entre los que padecen o no glaucoma. Para hacer este diagnóstico, buscamos otra información para agregar la medición de PIO, por ejemplo, la excavación del disco óptico. Sin lugar a dudas, la capacidad discriminativa (exista o no la enfermedad) mejora con la información sobre la excavación. Sin embargo, en algunos casos puede no ser suficiente o entonces existen pacientes con PIO de 21 mmHg, nervios ópticos más grandes con excavación papilar que no padecen la enfermedad. En tal caso, son necesarios recursos o pruebas de diagnóstico más complejos, por ejemplo, un test de sobrecarga hídrica o una evaluación del grosor de la capa de fibra nerviosa. A medida que esta decisión se vuelve aún más compleja, es necesaria una mayor capacitación profesional. Lo mismo sucedió con el desarrollo de la IA.

Aunque el término IA surgió en la década de 1950, solo en las últimas décadas este concepto se ha asociado a nuestra vida cotidiana. El término IA abarca técnicas de desarrollo tales como redes neuronales (neural networks), aprendizaje automático (machine learning) o aprendizaje profundo (deep learning). El desarrollo de cualquier método de IA implica fuentes de datos limpias y organizadas (p.ej: un conjunto de pruebas OCT macular), y la elección de un sistema de IA, como las redes neuronales convolucionales para el entrenamiento, validación y prueba. Los mismos pacientes utilizados en el entrenamiento y las pruebas no pueden utilizarse en la validación. 

La evaluación del desempeño de un método de diagnóstico basado en IA se realiza mediante la comparación del diagnóstico del gold standard versus la IA en una curva ROC. Los oftalmólogos están familiarizados con estas curvas en la comparación de métodos de diagnóstico. El área bajo la curva (AUC) es el parámetro estadístico más utilizado en esta evaluación.

Hasta la fecha, se han publicado más de 300 artículos sobre IA en la literatura oftalmológica, principalmente sobre retinopatía diabética, glaucoma, degeneración macular asociada a la edad y cataratas. En el queratocono, los métodos han avanzado y gracias al uso de la asociación de equipos, tales como topógrafos, tomógrafos y equipos biomecánicos, han desarrollado análisis multimodales.

La IA abarca una serie de productos, como computadoras que realizan diagnósticos médicos, robótica, sistemas especializados y procesamiento del habla.

Los métodos más utilizados de IA son:

Redes neuronales

En oftalmología, una de las primeras formas de presentación de la IA fueron las redes neuronales utilizadas en topógrafos corneales en el diagnóstico de astigmatismo regular e irregular y, en segundo lugar, el queratocono. Las redes neuronales se crean con base en un análisis discriminativo, es decir, si existe o no la enfermedad. En el desarrollo de una red neuronal, una población de portadores de la enfermedad identificada a través de un método gold standard o por un especialista en el método de diagnóstico le enseñará a la red si esa prueba es o no característica de una enfermedad en particular. A partir de este conocimiento, la máquina podrá determinar cuál es la probabilidad de que una determinada prueba o examen sea identificado como portador de la enfermedad. Durante años hemos utilizado topógrafos que han sugerido diagnósticos y sus respectivas probabilidades.

En nuestro ejemplo de topografía de Plácido y de queratocono, las primeras redes neuronales utilizaron datos simples como queratometría mayor que 47.5D, asimetrías de curvatura superior e inferior, desplazamiento del punto de elevación. Estos datos se ingresan a la red como datos de entrada y el sistema de IA, al analizar una imagen, considerará la entrada y producirá una salida, con el diagnóstico más probable. Hay que considerar que se le ha enseñado a la computadora a cuantificar cada uno de los datos, a asignar peso o importancia e identificar estos datos en los nuevos exámenes, para arrojar un resultado, por ejemplo, un 75% de probabilidad de que sea queratocono. Al validar el método, se debe revisar la salida para verificar su precisión.

Conventional Machine Learning, Machine Learning y Deep Learning 

Siri, de Apple, fue desarrollada usando DL con el uso de comando de voz. En medicina, especialmente en los últimos años, estas estrategias se desarrollan para el análisis histopatológico en cáncer de mama, clasificación de cáncer de piel, detección de cáncer de pulmón, entre otros. En oftalmología, los artículos de esta naturaleza aparecen en 2017, inicialmente sobre retinopatía diabética.

El aprendizaje automático convencional puede ser llevado a cabo por medio de varias técnicas, árboles de decisión (normalmente vistos en diagramas de flujo, basados en respuestas afirmativas o negativas), bosques aleatorios (como si se construyera un consenso), support vector machines (basadas en probabilidades) entre otros. La elección de cualquiera de los métodos está basada en la asertividad durante las pruebas.

En el aprendizaje automático, el proceso inicial es similar a la red neuronal, por medio del ingreso de datos ya conocidos, informe de la importancia de cada una de las características y monitoreo de sus salidas. Los cambios en el diseño original pueden ser necesarios en la optimización del proceso.

A diferencia de la red neuronal, ML y DL permiten información de varias fuentes, no solo una retinografía sino también un OCT e incluyen progresivamente más datos, lo cual permite que la máquina reciba la evaluación de su trabajo para que, de manera casi independiente o incluso independientemente, identifique variables o datos, previamente imperceptibles o clínicamente ignorados, contribuyendo a la optimización de sus resultados.

En un caso de DMAE húmeda, inicialmente, un grupo de especialistas realiza el diseño de las lesiones en la computadora, informándole sobre la existencia de drusas, hemorragias, exudados. Los límites normales entre áreas sanas y enfermas son definidos fácilmente. Con el desarrollo del método, nuevas variables son tomadas en consideración hasta que la máquina es capaz de reconocer un cambio, por ejemplo, en la capa plexiforme interna, como una característica de la membrana neovascular, que habría sido ignorada o no reconocida.

Mientras más conexiones de datos haga el sistema, más profundo se volverá. Mientras más profundo, menos entendemos los parámetros que utiliza la computadora para generar ese resultado o salida. Cada nivel de análisis se denomina capa. En las redes neuronales generalmente tenemos una capa. En DL pueden ser varias. En una capa existen límites y bordes (de una membrana neovascular por ejemplo) en otras capas habrá diseños, colores o densidad.

En este punto cabe hacer una analogía. Una pintura primitiva, con pocos recursos técnicos, es hecha con una sola capa de pintura en el lienzo en el cual los colores producen de tres a cuatro tonos. Una pintura de un artista reconocido estará compuesta por numerosas capas de pintura, con una extensa paleta de colores, lo que representa su complejidad. El DL es mucho más complejo que la red neuronal. El secreto del reconocido artista que aplica múltiples capas de pintura nunca podrá ser descifrado. ¡Lo mismo sucede con el DL y se le denomina caja negra!

Otros ejemplos de IA en oftalmología y nuevos desafíos

En glaucoma, la detección automática de daños en la cabeza del nervio óptico, la capa de fibras nerviosas y ganglionares facilita y mejora la capacidad humana para cuantificar la excavación y el daño neuronal.

En IA, gracias al uso de imágenes retinográficas y de OCT, es posible identificar el nervio óptico y sus límites, el canal óptico y los parámetros de pérdida de la capa de fibra nerviosa. Por lo tanto, es posible obtener mediciones objetivas de la excavación por medio de la IA. Pero eso no es todo. Es bien sabido que los casos de alta miopía pueden presentar un afinamiento del espesor de la capa de fibra nerviosa. Una vez ingresada esta información, el sistema podrá, tras un proceso de validación y pruebas, hacer la distinción entre glaucoma de alta miopía, así como también identificar el glaucoma en pacientes con alta miopía además de generar mapas de evolución, con probabilidades y curvas de sobrevida.

En otras áreas de la oftalmología, la IA ha ofrecido soluciones para el diagnóstico de catarata, la opacidad de la cápsula posterior, la planificación quirúrgica para el estrabismo, al señalar la necesidad de anti VEGF en ARMD y diabetes, cambios en el glaucoma preperimétrico, entre otros.

En queratocono, ya hemos descrito el uso de redes neuronales. Recientemente, se han utilizado varios tipos de datos de diferentes equipos o métodos de diagnóstico como OCT, topografía de Plácido e imágenes de Scheimpflug en la identificación del queratocono, bajo un abordaje conocido como multimodal.

En resumen, la IA es capaz de resolver varios problemas aún sin solución, así como satisfacer las necesidades de especialistas en áreas con pocos recursos y contribuir al diagnóstico de casos más complejos incluso en centros desarrollados.

Sin embargo, deben tomarse en cuenta algunas precauciones y limitaciones. La asociación de enfermedades es un factor de confusión en los análisis mostrados hasta ahora. Las enfermedades asociadas pueden llevar a malas interpretaciones. Los dispositivos de IA son temáticos, desarrollados para una única tarea, por ejemplo para detectar glaucoma. Si el mismo paciente tiene DMRE, ya no será posible detectarla. Mientras más enfermedades incluimos en el mismo sistema, menor será la capacidad de detección de cada una de ellas. Para lograr una suficiente disponibilidad de bases de datos, por ejemplo, en el análisis de DMRE, los especialistas pueden necesitar informar en cada OCT 250 secciones de cada examen.

Para muchos profesionales, y desde un punto de vista ético, las cajas negras de Deep Learning son un inconveniente. Esto sucede porque se trata de un conocimiento obtenido exclusivamente por la máquina y que no se nos transmite. Les enseñamos, pero no logramos aprender nada. Por tal motivo, es necesario que los ingenieros informáticos desarrollen métodos más transparentes, lo cual permitirá una mayor precisión y diseminación de esta tecnología.

Login

Welcome! Login in to your account

Remember me Lost your password?

Lost Password