Los investigadores han desarrollado un modelo entrenado de manera similar a ChatGPT que puede adaptarse para evaluar m\u00faltiples condiciones de salud.<\/p>\n\n\n\n
Mariana Lenharo<\/p>\n\n\n\n
Los cient\u00edficos han desarrollado una herramienta de inteligencia artificial (IA) capaz de diagnosticar y predecir el riesgo de desarrollar m\u00faltiples afecciones de salud, desde enfermedades oculares hasta insuficiencia card\u00edaca y la enfermedad de Parkinson, todo ello bas\u00e1ndose en las im\u00e1genes de la retina de las personas.<\/p>\n\n\n\n
Las herramientas de inteligencia artificial han sido entrenadas anteriormente para detectar enfermedades utilizando im\u00e1genes de la retina, pero lo que hace que la nueva herramienta, llamada RETFound, sea especial es que se desarroll\u00f3 utilizando un m\u00e9todo conocido como aprendizaje auto supervisado. Esto significa que los investigadores no tuvieron que analizar cada uno de los 1,6 millones de im\u00e1genes de retina utilizadas para el entrenamiento y etiquetarlas, por ejemplo, como \u201cnormales\u201d<\/em> o \u201cpatol\u00f3gicas<\/em>\u201d. Estos procedimientos consumen mucho tiempo y son costosos, y son necesarios durante el desarrollo de la mayor\u00eda de los modelos est\u00e1ndar de aprendizaje autom\u00e1tico.<\/p>\n\n\n\n En cambio, los cient\u00edficos utilizaron un m\u00e9todo similar al utilizado para entrenar modelos de lenguaje grande como ChatGPT. Esa herramienta de inteligencia artificial aprovecha innumerables ejemplos de texto generado por humanos para aprender a predecir la siguiente palabra en una oraci\u00f3n a partir del contexto de las palabras anteriores. Del mismo modo, RETFound utiliza una multitud de fotograf\u00edas de retina para aprender a predecir c\u00f3mo deber\u00edan verse las partes faltantes de las im\u00e1genes.<\/p>\n\n\n\n \u201cA lo largo de millones de im\u00e1genes, el modelo aprende de alguna manera c\u00f3mo es la retina y cu\u00e1les son todas sus caracter\u00edsticas\u201d<\/em>, explica Pearse Keane, oftalm\u00f3logo del Moorfields Eye Hospital NHS Foundation Trust en Londres, coautor de un art\u00edculo, publicado hoy en Nature que describe la herramienta. Esto constituye la piedra angular del modelo y lo clasifica como lo que algunos llaman modelo b\u00e1sico, lo que significa que puede adaptarse para muchas tareas.<\/p>\n\n\n\n Una ventana a la salud humana<\/strong><\/p>\n\n\n\n Las retinas de una persona pueden ofrecer una ventana a su salud, porque son la \u00fanica parte del cuerpo humano a trav\u00e9s de la cual se puede observar directamente la red capilar, formada por los vasos sangu\u00edneos m\u00e1s peque\u00f1os. \u201cSi tiene alguna enfermedad cardiovascular sist\u00e9mica, como hipertensi\u00f3n, que afecta potencialmente a todos los vasos sangu\u00edneos de su cuerpo, podemos visualizar [eso] directamente en im\u00e1genes de la retina\u201d<\/em>, sostiene Keane.<\/p>\n\n\n\n Las retinas tambi\u00e9n son una extensi\u00f3n del sistema nervioso central y comparten similitudes con el cerebro, lo que significa que las im\u00e1genes de la retina se pueden utilizar para evaluar el tejido neural. \u201cEl problema es que muchas veces la gente no tiene la experiencia necesaria para interpretar estos esc\u00e1neres. Aqu\u00ed es donde entra en juego la IA\u201d<\/em>, afirma Keane.<\/p>\n\n\n\n Una vez que hab\u00edan entrenado previamente a RETFound en esos 1,6 millones de im\u00e1genes de retina sin etiquetar, Keane y sus colegas pudieron introducir una peque\u00f1a cantidad de im\u00e1genes etiquetadas (digamos, 100 im\u00e1genes de retina de personas que hab\u00edan desarrollado Parkinson y 100 de personas que no lo hab\u00edan desarrollado) para ense\u00f1ar el modelo sobre condiciones espec\u00edficas. Habiendo aprendido de todas las im\u00e1genes sin etiquetar c\u00f3mo deber\u00eda verse una retina, dice Keane, el modelo puede aprender f\u00e1cilmente las caracter\u00edsticas de la retina asociadas con una enfermedad.<\/p>\n\n\n\n El uso de datos sin etiquetar para entrenar inicialmente el modelo \u201cdesbloquea un importante cuello de botella para los investigadores\u201d<\/em>, afirma Xiaoxuan Liu, investigador cl\u00ednico que estudia la innovaci\u00f3n responsable en IA en la Universidad de Birmingham, Reino Unido. El radi\u00f3logo Curtis Langlotz, director del Centro de Inteligencia Artificial en Medicina e Im\u00e1genes de la Universidad de Stanford, en California, est\u00e1 de acuerdo. \u201cLas etiquetas de alta calidad para datos m\u00e9dicos son extremadamente caras, por lo que la eficiencia de las etiquetas se ha convertido en la moneda del sector\u201d<\/em>, afirma.<\/p>\n\n\n\n El sistema funcion\u00f3 bien en la detecci\u00f3n de enfermedades oculares como la retinopat\u00eda diab\u00e9tica. En una escala donde 0,5 representa un modelo que no funciona mejor que una predicci\u00f3n aleatoria y 1 representa un modelo perfecto que hace una predicci\u00f3n precisa cada vez, obtuvo una puntuaci\u00f3n de entre 0,822 y 0,943 para la retinopat\u00eda diab\u00e9tica, seg\u00fan el conjunto de datos utilizado. Al predecir el riesgo de enfermedades sist\u00e9micas (como ataques card\u00edacos, insuficiencia card\u00edaca, accidente cerebrovascular y Parkinson), el rendimiento general fue limitado, pero a\u00fan superior al de otros modelos de IA. Aplicaciones en expansi\u00f3n<\/strong><\/p>\n\n\n\n Los investigadores ahora est\u00e1n analizando a qu\u00e9 otros tipos de im\u00e1genes m\u00e9dicas podr\u00edan aplicarse las t\u00e9cnicas utilizadas para desarrollar RETFound. \u201cSer\u00e1 interesante ver si estos m\u00e9todos se generalizan a im\u00e1genes m\u00e1s complejas\u201d<\/em>, dice Langlotz, por ejemplo, a im\u00e1genes de resonancia magn\u00e9tica o tomograf\u00edas computarizadas, que a menudo son tridimensionales o incluso cuatridimensionales.<\/p>\n\n\n\n Los autores han puesto el modelo a disposici\u00f3n del p\u00fablico y esperan que grupos de todo el mundo puedan adaptarlo y entrenarlo para que funcione en sus propias poblaciones de pacientes y entornos m\u00e9dicos. \u201cPodr\u00edan tomar este algoritmo y perfeccionarlo, utilizando datos de su propio pa\u00eds para tener algo que est\u00e9 m\u00e1s optimizado para su uso\u201d<\/em>, afirma Keane.<\/p>\n\n\n\n \u201cEsto es tremendamente emocionante\u201d<\/em>, sostiene Liu, aunque utilizar RETFound como base para otros modelos para detectar enfermedades conlleva un riesgo, a\u00f1ade. Esto se debe a que cualquier limitaci\u00f3n incorporada en la herramienta podr\u00eda filtrarse a modelos futuros que se construyan a partir de ella. \u201cAhora depende de los autores de RETFound garantizar su uso \u00e9tico y seguro, incluida la comunicaci\u00f3n transparente de sus limitaciones, para que pueda ser un verdadero activo comunitario\u201d.<\/em><\/p>\n\n\n\n
RETFound es hasta ahora una de las pocas aplicaciones exitosas de un modelo b\u00e1sico para im\u00e1genes m\u00e9dicas, dice Liu.<\/p>\n\n\n\n