Las imágenes médicas son instrumentos esenciales en el diagnóstico y control médico, ya que le permiten a los profesionales observar más allá de lo que sus ojos le permiten. Una vez obtenidas estas imágenes, ya sea por radiografía, ecografía, ultrasonido, o cualquier otra forma de obtención de las mismas, estas deben ser analizadas por expertos, quienes son los únicos capacitados en reconocer patrones que les permitan detectar anomalías o signos que puedan indicar algún tipo de patología. En numerosas ocasiones, este análisis debe estar acompañado por información relacionada con el paciente, junto a una historia clínica y otros estudios o análisis realizados por diversos profesionales, ya que tal información y datos extra pueden presentar pistas y dar respuestas a las preguntas, dudas u observaciones que van surgiendo a medida que se realiza el análisis de las imágenes médicas.
Significa entonces que un correcto análisis de una imagen médica depende fuertemente de la pericia del profesional que la está estudiando, de la información que se tenga sobre el paciente, y de otros posibles estudios que se encuentren relacionados. Por otra parte, la pericia del profesional que realice el análisis estará directamente relacionada con la cantidad de experiencia y nivel de capacitación que este haya obtenido a lo largo de su carrera. Esto sugiere que el procesamiento de una imagen médica requiere de un complejo sistema de datos capturados y relevados por distintos individuos, junto con una gran base de datos de experiencia acumulada por el analista. Por consiguiente, el proceso que describimos no es en absoluto trivial, es un proceso manual que lleva tiempo y esfuerzo, y que es propenso a errores. Debido a esto, es necesaria la implementación de sistemas inteligentes que den soporte a los profesionales de la salud de forma de agilizar estos procesos, brindándoles herramientas que les ayuden a encontrar tales anomalías de forma rápida, y descartando los casos de pacientes sanos con seguridad y rapidez.
El advenimiento de la Inteligencia Artificial, y en particular de los algoritmos de Machine Learning, le dio la capacidad a las computadoras de aprender basándose en ejemplos generando modelos, con los cuales analizar diferentes datos de entrada en busca de patrones conocidos, determinando la existencia de estos y clasificando casos nunca antes vistos por tales modelos, Sin embargo, las imágenes presentan el desafío de que se encuentran compuestas por millones de píxeles los cuales contienen información numérica respecto a la intensidad de luz o color en cada punto de la misma. Tales píxeles no pueden ser tomados como una representación secuencial de datos, sino que deben pertenecer a una representación matricial bidimensional (como una fotografía) o tridimensional (la fotografía, descompuesta por capas de colores individuales). Dicho en otras palabras, la ubicación e información de estos píxeles en el espacio de la imagen representará, en el caso de una fotografía, si un punto en particular forma parte de un ojo, un pétalo de una flor, o un tumor en una radiografía de tórax. Si tomamos todos los píxeles de la imagen e intentamos usarlos como entrada para los algoritmos convencionales de machine learning, nos encontraremos con que no son capaces de procesar tal cantidad de información (o se vuelven inconvenientes al hacerlo). Para que estos puedan ser utilizados sobre imágenes, estas deben ser descompuestas y simplificadas en partes más abstractas. De forma que si queremos identificar qué objeto tenemos en una imagen con estos algoritmos, no podremos usar la imagen directamente como entrada, sino que deberemos especificar cuántos ojos hay en ella, si hay ruedas, si existen pétalos, si estamos en presencia de alvéolos en un pulmón, etc, y/o incluso descomponerla en formas más básicas como cuántas líneas horizontales hay, cuántas curvas, aristas, puntos o polígonos, qué color predomina, etc. Tales reglas para descomponer o caracterizar una imagen deben ser establecidas por expertos, y es, también, un proceso no trivial y propenso a errores.
Afortunadamente, existe una serie de algoritmos de machine learning que se encuentran basados en las estructuras neurológicas de descomposición y análisis de imágenes del ser humano. Estos son los denominados algoritmos de Deep Learning los cuales cuentan con la capacidad adicional de aceptar estructuras multidimensionales (como imágenes comunes, imágenes descompuestas por colores, o series de imágenes) y caracterizarlas automáticamente. Determinando en su interior la combinación de líneas, colores, formas y figuras que hacen que un grupo de píxeles representen una sonrisa o pétalo en una fotografía, o un tumor o anomalía en una imagen médica. Esto brinda una herramienta única a los profesionales de la salud la cual, con un suficiente entrenamiento y configuración, podrá ayudarle a descartar los casos de personas sanas con rapidez, y proporcionar ayudas visuales en caso de detectar posibles anomalías que deberá verificar con mayor atención. Esto no solo hace que los profesionales de la salud optimicen su tiempo acelerando tediosos procesos de análisis manual de imágenes, sino que proporciona un invaluable apoyo a la toma de decisiones en lugares más remotos donde no se dispone de personal suficientemente capacitado.
Sin embargo, para que la potencia de tales algoritmos sea correctamente aprovechada, es necesario de sistemas que almacenen de forma correcta la historia clínica del paciente, junto con los distintos estudios que se le realicen y los diagnósticos de los profesionales que los analizan.
La startup digital REVAI, viene a revolucionar la medicina proporcionando una plataforma donde pacientes y profesionales de la salud podrán plasmar toda esta información de forma consistente y segura. De tal forma, se podrá construir un enorme dataset con casos anónimos con los cuales se podrá entrenar estos algoritmos de Deep Learning, ayudando a los profesionales de la salud a detectar de forma ágil y segura las posibles anomalías en las imágenes médicas, utilizando como experiencia los miles de casos que se puedan encontrar relacionados, junto con la información que proporciona el paciente, aumentando la rapidez y precisión con la que se realizan los diagnósticos clínicos y mejorando drásticamente la calidad de atención a las personas.
REVAI se encuentra a la vanguardia de la tecnología y está constantemente evolucionando para brindar a los pacientes y profesionales de la salud las más avanzadas herramientas para una mejor atención y calidad de vida.
Gabriel Caffaratti – Data Scientist @ REVAI
