Astronomía, divulgación, descubrimientos, ecología, innovación...
MODELO DE APRENDIZAJE PROFUNDO
Se puede utilizar en cualquier tipo de intervención y acelera tanto al análisis patológico como el tiempo de recuperación y reduce los márgenes de error.
El uso de la inteligencia artificial en medicina está cada vez más extendido y su impacto en eventos como la pandemia ha resultado clave en aspectos tan específicos como detectar casos positivos de Covid mediante el análisis de la voz o la tos.
También ha demostrado importantes capacidades a la hora de una detección temprana de diferentes tipos de tumores, anticiparse a infartos o prevenir ictus.
Indudablemente se trata de una herramienta con la capacidad para modificar la medicina actual en muchos aspectos. Y el último de ellos, de acuerdo con un estudiopublicado en 'Nature', tiene que ver con un diagnóstico en tiempo real.
Cuando un paciente se somete a una operación quirúrgica para extirpar un tumor o tratar una enfermedad, el curso de la cirugía a menudo no está predeterminado: depende de cuánto tejido se debe extirpar, la interacción con otros órganos, los márgenes de un tumor, su etapa y si una lesión es maligna o benigna. Todas estas variables dependen directamente de la recolección, el análisis y el diagnóstico de una enfermedad. Y todo ello mientras el paciente está en la mesa de operaciones.
Hasta ahora, para saber este tipo de información debían enviarse muestras al área de patología y obviamente la velocidad y la precisión resultan fundamentales. El problema es que uno de los métodos más aceptados y utilizados implica congelar el tejido o la muestra, algo que puede complicar el diagnóstico final.
Para hacer el diagnóstico los patólogos usan muestras de tejido fijadas en formalina e incluidas en parafina (un proceso conocido por las siglas FFPE). Este método conserva el tejido de una manera que produce imágenes de alta calidad, pero el proceso es laborioso y generalmente toma de 12 a 48 horas. Para un diagnóstico rápido, los patólogos utilizan un enfoque conocido como criosección que consiste en congelar rápidamente el tejido, cortar secciones y observar estas láminas bajo un microscopio. La criosección lleva minutos en lugar de horas, pero puede distorsionar los detalles celulares y comprometer o desgarrar el tejido delicado.
Para evitar esto, un equipo liderado por Faisal Mahmood, de la Universidad de Harvard han desarrollado un método que aprovecha la inteligencia artificial para traducir entre secciones congeladas y el enfoque estándar, mejorando la calidad de las imágenes para aumentar la precisión de los diagnósticos rápidos.
"Estamos utilizando el poder de la inteligencia artificial para abordar un problema antiguo en la intersección de la cirugía y la patología – explica Mahmood en un comunicado– . Hacer un diagnóstico a partir de muestras de tejido congelado es un desafío y requiere capacitación especializada, pero este tipo de diagnóstico es un paso crítico en el cuidado de los pacientes durante la cirugía".
El equipo de Mahmood desarrolló un modelo de aprendizaje profundo (deep learning) que se puede usar para interpretar las imágenes. Este método podría usarse para identificar diferentes tipos de cáncer, incluido el glioma y el cáncer de pulmón de células no pequeñas. El equipo validó sus hallazgos solicitándoles a un grupo de patólogos que hicieran un diagnóstico a partir de imágenes que habían pasado por el método de IA e imágenes de criosección tradicionales. El método de IA no solo mejoró la calidad de la imagen, sino que también mejoró la precisión del diagnóstico entre los expertos. El algoritmo también se probó en datos recopilados de forma independiente.
En el estudio, los autores señalan que, en el futuro, se deben realizar estudios clínicos prospectivos para validar el método de IA y determinar si puede contribuir a la precisión diagnóstica y la toma de decisiones quirúrgicas en entornos hospitalarios reales.
"Nuestro trabajo – concluye Mahmood – muestra que la IA tiene el potencial de hacer que un diagnóstico crítico y sensible al tiempo sea más fácil y más accesible para los patólogos y potencialmente podría aplicarse a cualquier tipo de cirugía de cáncer. Abre muchas posibilidades para mejorar el diagnóstico y la atención al paciente".