Desde finales de los noventa, las máquinas pueden analizar imágenes médicas para detectar tumores y lesiones. De hecho, algunas empiezan a superar a los humanos en tareas específicas, como el diagnóstico de cáncer de mama a partir de radiografías. Pero la detección automática de enfermedades es solo la primera frontera. Desde la Universidad de Stanford, el catedrático de radiología Sandy Napel (1952, Nueva York) estudia cómo exprimir al máximo la información útil de cada imagen médica, utilizando una técnica informática llamada radiómica.

La disciplina avanza hoy a zancadas gracias a la inteligencia artificial. Sin embargo, también presenta importantes retos para la privacidad, ya que se nutre de enormes bases de datos de distintos pacientes. Desde sus orígenes, es una disciplina que destaca en el estudio y tratamiento del cáncer, pero ya se aplica al estudio de diversos órganos y enfermedades; de hecho, Napel está en España para visitar el laboratorio de Karim Lekadir en la Universidad de Barcelona, donde utilizan la radiómica para estudiar el corazón y prevenir el infarto de miocardio. EL PAÍS habla con el profesor de Stanford a su paso por el Hospital Clínic, donde también ha impartido una charla a sanitarios e investigadores.

Pregunta. ¿La radiómica permite personalizar el tratamiento de cada paciente, o su objetivo es recabar muchos datos para mejorar la investigación científica y la práctica clínica?

Respuesta. Las dos cosas. En el fondo queremos la mejor información posible para tratar a cada paciente. Esto se consigue mediante un círculo de retroalimentación: la información obtenida de cada escáner se exporta a bases de datos que luego los médicos pueden consultar para tener más certeza en el caso de un paciente particular. En última instancia, nos gustaría poder extender los beneficios del análisis asistido por ordenador a cualquier persona de la Tierra, independientemente de dónde venga y de qué tipo de escáneres tenga su hospital o su país.

P. Con solo analizar un escáner, ¿un programa puede averiguar qué genes se expresan en el tejido fotografiado?

R. Sí, pero para hacer eso, hay que partir de una base de datos que contenga imágenes de tejidos y su correspondiente información genómica. Es decir, si tengo tomografías de mil pacientes, y a todos ellos se los extirpó un tumor y todos los tumores se enviaron al laboratorio para hacer un análisis genómico, tengo una base de datos con muchas imágenes y su información molecular correspondiente. Entonces podemos buscar en esos datos correlaciones entre la información visual y la expresión génica. Ahora, años más tarde, llega un paciente nuevo al hospital. No le hemos quitado el tumor, no conocemos su expresión génica. Pero sabemos qué aspecto tiene ese tumor en las imágenes médicas y podemos decir: “todas las demás imágenes con el mismo aspecto tenían este patrón concreto de expresión génica”.

P. ¿Es lo suficientemente fiable como para sustituir a pruebas invasivas, como biopsias?

R. Todavía no, pero desde luego que lo será en el futuro. Aunque no sustituya por completo un análisis, puede obviar la necesidad de hacerlo, por ejemplo en situaciones en las que puede ser peligroso. Por ejemplo, es relativamente fácil tomar una biopsia de un tumor de pecho, pero no de un tumor cerebral. En el segundo caso, estaría bien saber cuáles son de mayor riesgo. Si tenemos imágenes de un tumor cerebral y la radiómica nos dice con 99% de seguridad que no es maligno, diremos: “vuelve en seis meses y miraremos otra vez”. Pero si la base de datos de radiómica nos hace sospechar que este tumor tiene componentes genéticos que conducen a la metástasis, probablemente decidiremos correr el riesgo de hacer la biopsia, ¿no? El objetivo no es necesariamente sustituir al análisis, sino saber cuándo puede ser apropiado.

P. ¿Qué papel tiene la inteligencia artificial en el análisis de imágenes médicas?

R. La particularidad de las técnicas de inteligencia artificial en radiómica es que no requieren definir con antelación las características de una imagen que un humano buscaría. Por ejemplo, en una resonancia magnética del corazón, un radiólogo entrenado o un cardiólogo pueden andar pendientes de encontrar una región oscura en el miocardio, porque les dice algo relevante sobre la condición del paciente. Si quisiera hacer ese análisis con radiómica, podría programar el software para analizar el valor de los píxeles grises en una región; básicamente le decimos al ordenador en qué fijarse. Pero con inteligencia artificial, o machine learning, dejamos que el propio ordenador averigüe cuáles son las características más relevantes de la imagen.

P. ¿Se descubren así lesiones o datos sobre la enfermedad que no vería el ojo humano?

R. Sí, pero tenga en cuenta que hay elementos que no se ven en algunos escáneres pero en otros sí, y también hay variedad de rendimiento entre distintos radiólogos. Una de las ventajas es que ayuda a los radiólogos a no saltarse interpretaciones posibles acerca de lo que están viendo. Aunque sea el radiólogo quien encuentra un tumor, el programa informático que analiza la imagen puede guiar al doctor para identificar qué tipo de tumor es y qué tipo de seguimiento precisa.

P. Pero un médico no puede saber en qué basa su recomendación la inteligencia artificial.

R. Bueno, es cierto, pero hay que considerar la evolución de la tecnología. Cuando se inserta un termómetro en la boca y le dice su temperatura corporal, ¿piensa en cómo funciona? No, confía en que se ha fabricado con ciertos estándares y que le está diciendo si tiene o no fiebre. No necesita saber cómo funciona. Quizás dentro de cien años tendremos la suerte de ver un futuro en el que también confiamos plenamente en esta tecnología, porque funcionará siempre.

P. No es el caso, hoy en día.

R. Los informáticos están desarrollando formas de mostrar al radiólogo, al menos hasta cierto punto, qué partes de la imagen han sido útiles para la inteligencia artificial a la hora de sacar sus conclusiones. Si un sistema de inteligencia artificial dice, a partir de una imagen por TAC, que hay un cáncer de pulmón, se están escribiendo programas que obliguen a la inteligencia artificial a mostrar visualmente dónde se ha fijado concretamente, por ejemplo con una capa de rojo sobre las imágenes. Si el radiólogo ha detectado un tumor, pero el programa no se lo marca en rojo, puede decidir: “no confío en este programa”. Estamos en esa fase de la historia en la que tenemos que aprender a confiar y las máquinas tienen que ganarse nuestra confianza, dándonos al menos alguna indicación de las partes de la imagen que emplean para sacar sus conclusiones.

P. ¿Cómo están afrontando los hospitales y los centros de investigación el reto de garantizar la privacidad de estos pacientes cuyas imágenes médicas entrenan los algoritmos?

R. Es cierto que hay una cuestión de privacidad, pero los investigadores están impulsando formas de trabajar en esto. Por ejemplo, existe una base de datos internacional para la investigación, el UK Biobank, que reúne datos de unos 500.000 pacientes, provenientes de muchos sitios donde han prestado atención a esas cuestiones de privacidad. Por otra parte, y no sé si esto es positivo o negativo, muchas empresas se han dado cuenta del valor de los datos: para entrenar sus programas de machine learning, van llamando a las puertas tratando de comprar datos de quien se los venda. Los hospitales han descubierto que es una fuente de ingresos, pero tienen que respetar la privacidad de sus pacientes. Hay una tensión que se está resolviendo poco a poco, y las bases de datos están creciendo.

P. Entonces, hoy en día, ¿un investigador solo puede entrenar su algoritmo de radiómica si trabaja en una institución u hospital que cuenta con una buena base de datos?

R. No solo una: necesita muchas bases de datos. Incluso dentro de la propia institución, hay mucho celo con la privacidad. Normalmente, las imágenes médicas de los pacientes están en servidores protegidos por un firewall. Si yo quiero utilizar esa base de datos para entrenar mi programa o procesar las imágenes en mi laboratorio, tengo que sacarla del servidor y ponerla en mi ordenador, que no es tan seguro. Por eso, ahora las instituciones están exigiendo que llevemos el software y lo pongamos en su ordenador central, protegido por el firewall, que hagamos el análisis allí sin que los datos salgan de ese espacio.

P. ¿Anonimizar los datos de los pacientes no es suficiente para garantizar su privacidad?

R. No del todo, porque existe la posibilidad de que se pueda identificar a un individuo a partir de datos supuestamente anonimizados. Una anécdota: se liberó una base de datos de radiografías torácicas, y tuvieron que retirarla porque en una imagen se veía el collar con el nombre de un paciente. Los metadatos de la imagen no le podrían decir quién era esa persona, pero la propia fotografía, sí. También hay lesiones únicas y enfermedades raras que pueden delatar a una persona.

P. ¿Se han convertido los datos en una moneda de cambio?

R. Sí, hay un trueque. Aunque la privacidad no es algo para ceder a la ligera, creo que, en cien años, escogeremos mejor salud y mejores cuidados médicos por encima de la privacidad. Si llevas un móvil, ya hay alguien que sabe todos los sitios en los que has estado con él. Y aunque yo no discutiré que un paciente quiera que sus datos sean privados, dudaría de si realmente lo son, solo por que se lo hayan dicho.

Fuente:https://elpais.com/elpais/2020/01/30/ciencia/1580386227_830150.html