Un algoritmo detecta hemorragias cerebrales con m¨¢s acierto que la mitad de los radi¨®logos

La inteligencia artificial sigue avanzando a peque?os pasos para hacerse un hueco en los hospitales. Adem¨¢s de su capacidad para detectar patrones, los equipos m¨¦dicos pueden utilizarla para maximizar su capacidad de detecci¨®n de anomal¨ªas al analizar distintas pruebas m¨¦dicas. La ¨²ltima demostraci¨®n est¨¢ en un algoritmo desarrollado por cient¨ªficos de la Universidad de California, que ha conseguido mejores resultados que dos de cada cuatro radi¨®logos expertos en encontrar peque?as hemorragias cerebrales en los esc¨¢neres. Se trata de un avance que puede ayudar a los m¨¦dicos a tratar a pacientes con lesiones cerebrales traum¨¢ticas, accidentes cerebrovasculares y aneurismas, seg¨²n publica la revista cient¨ªfica PNAS.

El algoritmo desarrollado por el equipo tard¨® solo un segundo en determinar si un examen completo de la cabeza conten¨ªa signos de hemorragia. Tambi¨¦n traz¨® los contornos detallados de las anomal¨ªas que encontr¨®, se?alando su ubicaci¨®n dentro de la estructura tridimensional del cerebro. Algunas de las hemorragias eran tan peque?as que, en im¨¢genes compuestas por un mill¨®n de p¨ªxeles, solo ocupaban 100. Pasaban desapercibidas incluso para los radi¨®logos m¨¢s expertos.

M¨¢s informaci¨®n

Aprendiendo a aprender, los avances de la neurociencia en la educaci¨®n

El robot gusano del MIT que podr¨ªa entrar en el cerebro para reparar aneurismas

Adem¨¢s de se?alar su ubicaci¨®n dentro del cerebro, el algoritmo clasifica las anomal¨ªas seg¨²n el subtipo, informaci¨®n que los m¨¦dicos necesitan para decidir cu¨¢l es el mejor tratamiento. Seg¨²n las pruebas realizadas hasta el momento, el algoritmo proporciona toda esta informaci¨®n con un nivel "aceptable" de falsos positivos y minimizando el tiempo que los m¨¦dicos necesitar¨ªan invertir en revisar los resultados. "Para que esto sea cl¨ªnicamente ¨²til, el nivel de precisi¨®n debe ser casi perfecto. Si una m¨¢quina se?ala muchos falsos positivos, ralentizar¨¢ al radi¨®logo y puede provocar m¨¢s errores", se?ala Esther Yuh, profesora asociada de radiolog¨ªa en la Universidad de California en San Francisco (UCSF) y coautora del estudio.

Una de las claves para conseguir que el algoritmo sea tan preciso son los datos con los que se entren¨® al modelo. El estudio utiliz¨® un tipo de aprendizaje profundo conocido como red neuronal convolucional (CNN), que entrena algoritmos con un n¨²mero relativamente peque?o de im¨¢genes, en este caso 4.396 pruebas de tomograf¨ªas computerizadas. A pesar del peque?o tama?o de la muestra, el algoritmo consigue tantos aciertos porque las im¨¢genes con las que se le entren¨® conten¨ªan cantidades ingentes de informaci¨®n: cada peque?a anomal¨ªa se delineaba manualmente, p¨ªxel por p¨ªxel. "La riqueza de estos datos, junto con otros pasos que impidieron que el modelo interpretara el "ruido" como significativo, cre¨® un algoritmo extremadamente preciso", apunta Jitendra Malik, profesora de ingenier¨ªa el¨¦ctrica y ciencias de la computaci¨®n en Berkeley.

Seg¨²n recoge Europa Press, los expertos en radiolog¨ªa se?alan que la capacidad del algoritmo de encontrar anormal¨ªas muy peque?as y se?alar su ubicaci¨®n en el cerebro es un avance sustancial. "La hemorragia puede ser peque?a y, a¨²n as¨ª, ser significativa", precisa Pratik Mukherjee, profesor de radiolog¨ªa en la Universidad de California en San Francisco (UCSF). "Eso es lo que hace que el trabajo de un radi¨®logo sea tan dif¨ªcil. Si un paciente tiene un aneurisma, est¨¢ empezando a sangrar y se le env¨ªa a casa, puede morir". La profesora Malik, por su parte, asegura que "dada la gran cantidad de personas que sufren lesiones cerebrales traum¨¢ticas todos los d¨ªas, esto tiene una importancia cl¨ªnica enorme".