Inteligencia artificial:
los nuevos ojos de la dermatología
Inteligencia artificial en la dermatología actual
Contenido
Inteligencia artificial en el diagnóstico dermatológico
Para realizar un diagnóstico dermatológico preciso es necesario contar con la experiencia de haber atendido durante muchos años las lesiones primarias y secundarias de la piel. Sin embargo, en los últimos años, la inteligencia artificial (IA) ha logrado grandes avances, particularmente en la clasificación de imágenes.1
Para poder entender ¿cuál es el futuro de la IA y cómo implementarla en la medicina del siglo XXI?, es necesario tener conocimientos básicos de los conceptos de machine learning.
Las redes neuronales artificiales son un modelo matemático que simula estructura y función de redes neuronales biológicas.
Las redes neuronales artificiales (ANN, por sus siglas en inglés) son un modelo matemático que simula la estructura y función de las redes neuronales biológicas. Un subtipo de ANN llamado redes neuronales convolucionales se usa con mucha frecuencia para el procesamiento y detección de imágenes en medicina, particularmente en patología, radiología y dermatología; en esta última, la IA se ha empleado para reconocer lesiones cutáneas (en particular del melanoma) con ayuda de bancos de imágenes masivas y en diversas modalidades, como dermatoscopia, fotografías clínicas o imágenes histopatológicas.1,2
Historia de la inteligencia artificial en la dermatología
En 2016, la Colaboración Internacional de Imágenes de la Piel (ISIC, por sus siglas en inglés) presentó el desafío de considerar sistemas de IA que pudieran identificar diversas patologías. Actualmente, su base de datos ha acumulado más de 80 000 imágenes de entrenamiento y prueba que son de libre acceso para los investigadores, y se han utilizado en la elaboración de algoritmos para diagnosticar y clasificar diversas lesiones cutáneas.2 En 2018, se evaluó la eficacia y capacidad de cuatro algoritmos que comprendían los datos de la ISIC, sus resultados mostraron que todos los modelos de aprendizaje profundo superaron a los dermatólogos (en al menos 11%). Otro equipo que desarrolló un modelo neuronal distinto para clasificar siete tipos de lesiones cutáneas demostró que la precisión diagnóstica de los dermatólogos mejoró significativamente con su uso.2
A pesar de los resultados obtenidos en los estudios, existen sesgos que en algún punto pueden tener una implicación ética durante la práctica clínica. Uno de éstos es la consideración de que las redes neuronales generalmente se entrenaron y probaron en el mismo conjunto de datos, lo cual significa que, si el conjunto de datos de la imagen está sesgado, esto tendrá un impacto directo en el rendimiento del algoritmo. Otro punto es la cantidad de imágenes, ya que pueden no ser representativas en cuanto a la proporción de diagnósticos o características típicas, y los resultados pueden clasificar incorrectamente las lesiones y conducir a la toma de biopsias innecesarias para los pacientes, lo cual, además del daño al paciente, crearía una demanda adicional en un sistema de atención médica sobrecargado.1
A pesar de los resultados en los estudios, se presentan implicaciones éticas en la práctica clínica.
Otro punto es la cantidad de imágenes, ya que pueden no ser representativas en cuanto a la proporción de diagnósticos o características típicas, y los resultados pueden clasificar incorrectamente las lesiones y conducir a la toma de biopsias innecesarias para los pacientes, lo cual, además del daño al paciente, crearía una demanda adicional en un sistema de atención médica sobrecargado.1
Esquema representativo de modelos de Deep learn machine (MetaOptima Technology, DAISYLab y Medical Image Analisis Group) comparados con dermatólogos (puntos). Se pusieron a competir IA vs dermatólogos para ver qué tanto margen de error había en el diagnóstico de nevos benignos o malignos, sólo utilizando imágenes de diferentes nevos. En la gráfica la sensibilidad es la capacidad de detectar un verdadero nevo maligno. La especificidad es la probabilidad de la IA o médico de tener un falso positivo (que se piense que un nevo sea maligno a pesar de ser benigno). Hay que tener en cuenta que hay sesgos. La competencia fue sólo utilizando fotos o imágenes. El médico especialista puede superar la media de la IA ya cuando se tienen otros elementos de una consulta formal, como una historia clínica completa.
Conclusiones
Debido al rápido desarrollo de la IA y su uso generalizado por parte de pacientes y médicos, se han realizado encuestas para valorar la postura de los médicos ante dicha tecnología. El 72.3% de los encuestados estuvo de acuerdo o muy de acuerdo en que la IA mejorará la dermatopatología y el 84.1% pensó que la IA debería integrarse a la formación médica. Sólo el 6.0% estuvo de acuerdo en que el patólogo será reemplazado por la IA en el futuro.1
Las encuestas arrojaron que más del 70% está de acuerdo en que la IA mejorará la dermatopatología.
En general, los dermatólogos y patólogos son optimistas sobre el impacto y el beneficio potencial de la IA en la clínica; a pesar de esto, sólo una minoría tiene conocimiento bueno o excelente sobre la IA. En esta encuesta, los pacientes mostraron estar dispuestos al uso de la IA para el control de entidades como el cáncer de piel si se aplica de forma que se mantenga la relación médico-paciente.1
Las limitaciones relacionadas con la falta de generalización y estandarización, la confianza del consumidor y el sobrediagnóstico potencial son puntos que deben abordarse para llevar la tecnología de manera segura al mundo real. Tenemos al alcance una herramienta que, si se emplea racionalmente con la debida orientación y supervisión, puede mejorar la atención médica. Es deber del médico evaluar las oportunidades y crear un futuro mejor para la medicina y los pacientes.3
Referencias
- Du-Harpur X, Watt FM, Luscombe NM, Lynch MD. What is AI? Applications of artificial intelligence to dermatology. Br J Dermatol [Internet]. 2020;183(3):423. [Citado el 24 de julio de 2023]. Disponible en: /pmc/articles/PMC7497072/
- Li Z, Koban KC, Schenck TL, Giunta RE, Li Q, Sun Y. Artificial Intelligence in Dermatology Image Analysis: Current Developments and Future Trends. J Clin Med [Internet]. 2022;11(22). [Citado el 25 de julio de 2023]. Disponible en: /pmc/articles/PMC9693628/
- Liopyris K, Gregoriou S, Dias J, Stratigos AJ. Artificial Intelligence in Dermatology: Challenges and Perspectives. Dermatol Ther (Heidelb) [Internet]. 2022;12(12):2637-51. [Citado el 25 de julio de 2023]. Disponible en: https://link.springer.com/article/10.1007/s13555-022-00833-8
escríbenos a: vanessa.sanchez@plmlatina.com