Las máquinas aprenden a diagnosticar

Deep learning, o el enorme potencial de las máquinas combinado con la plasticidad de estructuras neuronales para el aprendizaje, aplicado al diagnóstico biomédico

Recientemente se ha publicado un estudio científico Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists, en el que un desarrollo con tecnología de “redes neuronales convolucionales” (CNN en sus siglas en inglés), obteniene mejores resultados en el diagnóstico de melanomas, que un grupo de 57 dermatólogos, con 30 considerados expertos (más de 5 años de práctica clínica).

Esto se desarrolla en el ámbito del llamado Deep Learning, y viene a ser un intento de dotar a las máquinas de herramientas para que puedan aprender, sin la limitación de procesos de los humanos, pero con esquemas similares al aprendizaje humano.

Sobre la inmensa cantidad de datos que cada vez se multiplican en el llamado BIG DATA, cada vez son más necesarios los sistemas de Inteligencia Artificial , que puedan bregar con esa inmensidad. Y para “enseñar” a la Inteligencia Artificial, hasta ahora era imprescindible pre-programar reglas y etiquetar tipos de datos. Se trataba de un aprendizaje “supervisado”. Ahora el foco está puesto en el aprendizaje “automático”, como el que facilitan las CNN.

Una “red neuronal convolucional” (CNN) es un tipo de red neuronal artificial donde las “neuronas” responden a campos receptivos de una manera muy similar a las neuronas en la corteza visual y son efectivas para la clasificación y segmentación de imágenes, entre otras cosas.

Y para ello se despliegan desarrollos de CNN como el artículo, que debidamente alimentado, es capaz de realizar diagnósticos con mayor especifidad a igual sensibilidad, que dermatólogos expertos. La curva estadística del CNN del estudio mostró una especificidad más alta del 82.5% en comparación con los dermatólogos diagnosticando solo con imágenes (71.3%, P <0.01) y diagnosticando con imagenes y más datos clínicos (75.7%, P <0.01) en sus sensibilidades de 86.6% y 88.9%, respectivamente. La CNN obtuvo resultados cercanos a los tres mejores algoritmos del desafío ISBI 2016.

Es esperable que se avance mucho en este sentido en los próximos años, lo que redundará en la eficiencia del sistema y de equidad de la asistencia.

Fecha: 30-05-2018