La inteligencia artificial (IA) en la oftalmología
Dr. Mauro Campos Brasil
Contacto
Dr. Mauro Campos – mscampos@uol.com.br
Introducción
La inteligencia artificial (IA) implica la realización de tareas por parte de una computadora como si fuera un ser humano. Con el uso de algoritmos especializados, la computadora (hardware o software) es capaz de reconocer a personas, traducir idiomas en tiempo real, conducir vehículos u obedecer a comandos de voz, como ya lo hacen Siri, Alexa o Cortana. En nuestra vida diaria, la presencia de la IA se vuelve cada vez más común con el desarrollo de procesadores de alta capacidad, almacenamiento en la nube y big data, los cuales han sido avances tecnológicos necesarios para su desarrollo.
Un diagnóstico o una decisión médica no se basa en un solo síntoma o signo de la enfermedad. En general, el proceso de toma de decisiones se basa en el apren ción. Sin embargo, en algunos
dizaje, experiencias anteriores acumuladas desde la escuela de medicina hasta la práctica clínica diaria, enriquecida por la experiencia de otros profesionales, que nos es transmitida por trabajos científificos o incluso opiniones informales. Este conjunto de informaciones, al que asignamos diferentes pesos o valores, contribuye al proceso de toma de decisiones. Un paciente con pérdida visual repentina, ojos rojos y dolorosos puede tener glaucoma agudo en presencia de pupilas dilatadas o uveítis en presencia de una reacción en cámara anterior o sinequias. Los médicos experimentados son más capaces de hacer el diagnóstico correcto que los profesionales jóvenes, simplemente porque tienen un mayor volumen de información acumulada a lo largo de sus años profesionales.
Las decisiones no se basan en un único dato. Un ejemplo clásico es la presión ocular. De manera aislada, será difícil diagnosticar glaucoma en un paciente con una PIO de 21 mmHg. Por sí sola, la PIO no establece una diferencia entre los que padecen o no glaucoma. Para hacer este diagnóstico, buscamos otra información para agregar la medición de PIO, por ejemplo, la excavación del disco óptico. Sin lugar a dudas, la capacidad discriminativa (exista o no la enfermedad) mejora con la información sobre la excava casos puede no ser sufificiente o entonces existen pacientes con PIO de 21 mmHg, nervios ópticos más grandes con excavación papilar que no padecen la enfermedad. En tal caso, son necesarios recursos o pruebas de diagnóstico más complejos, por ejemplo, un test de sobrecarga hídrica o una evaluación del grosor de la capa de fifibra nerviosa. A medida que esta decisión se vuelve aún más compleja, es necesaria una mayor capacitación profesional. Lo mismo sucedió con el desarrollo de la IA.
Aunque el término IA surgió en la década de 1950, solo en las últimas décadas este concepto se ha asociado a nuestra vida cotidiana. El término IA abarca técnicas de desarrollo tales como redes neuronales (neural networks), aprendizaje automático (machine learning) o aprendizaje profundo (deep learning). El desarrollo de cualquier método de IA implica fuentes de datos limpias y organizadas (p.ej: un conjunto de pruebas OCT macular), y la elección de un sistema de IA, como las redes neuronales convolucionales para el entrenamiento, validación y prueba. Los mismos pacientes utilizados en el entrenamiento y las pruebas no pueden utilizarse en la validación.
La evaluación del desempeño de un método de diagnóstico basado en IA se realiza mediante la comparación del diagnóstico del gold standard versus la IA en una curva ROC. Los oftalmólogos están familiarizados con estas curvas en la comparación de métodos de diagnóstico. El área bajo la curva (AUC) es el parámetro estadístico más utilizado en esta evaluación.
Hasta la fecha, se han publicado más de 300 artículos sobre IA en la literatura oftalmológica, principalmente sobre retinopatía diabética, glaucoma, degeneración macular asociada a la edad y cataratas. En el queratocono, los métodos han avanzado y gracias al uso de la asociación de equipos, tales como topógrafos, tomógrafos y equipos biomecánicos, han desarrollado análisis multimodales.
La IA abarca una serie de productos, como computadoras que realizan diagnósticos médicos, robótica, sistemas especializados y procesamiento del habla.
Los métodos más utilizados de IA son:
Redes neuronales
En oftalmología, una de las primeras formas de presentación de la IA fueron las redes neuronales utilizadas en topógrafos corneales en el diagnóstico de astigmatismo regular e irregular y, en segundo lugar, el queratocono. Las redes neuronales se crean con base en un análisis discriminativo, es decir, si existe o no la enfermedad. En el desarrollo de una red neuronal, una población de portadores de la enfermedad identificada a través de un método gold standard o por un especialista en el método de diagnóstico le enseñará a la red si esa prueba es o no característica de una enfermedad en particular. A partir de este conocimiento, la máquina podrá determinar cuál es la probabilidad de que una determinada prueba o examen sea identificado como portador de la enfermedad. Durante años hemos utilizado topógrafos que han sugerido diagnósticos y sus respectivas probabilidades.
En nuestro ejemplo de topografía de Plácido y de queratocono, las primeras redes neuronales utilizaron datos simples como queratometría mayor que 47.5D, asimetrías de curvatura superior e inferior, desplazamiento del punto de elevación. Estos datos se ingresan a la red como datos de entrada y el sistema de IA, al analizar una imagen, considerará la entrada y producirá una salida, con el diagnóstico más probable. Hay que considerar que se le ha enseñado a la computadora a cuantificar cada uno de los datos, a asignar peso o importancia e identificar estos datos en los nuevos exámenes, para arrojar un resultado, por ejemplo, un 75% de probabilidad de que sea queratocono. Al validar el método, se debe revisar la salida para verificar su precisión.
Conventional Machine Learning, Machine Learning y Deep Learning
Siri, de Apple, fue desarrollada usando DL con el uso de comando de voz. En medicina, especialmente en los últimos años, estas estra
tegias se desarrollan para el análisis histopatológico en cáncer de mama, clasifificación de cáncer de piel, detec- ción de cáncer de pulmón, entre otros. En oftalmología, los artículos de esta naturaleza aparecen en 2017, inicial- mente sobre retinopatía diabética.
El aprendizaje automático conven- cional puede ser llevado a cabo por medio de varias técnicas, árboles de decisión (normalmente vistos en dia- gramas de flflujo, basados en respues- tas afifirmativas o negativas), bosques aleatorios (como si se construyera un consenso), support vector machines (basadas en probabilidades) entre otros. La elección de cualquiera de los métodos está basada en la aserti- vidad durante las pruebas.
En el aprendizaje automático, el proce- so inicial es similar a la red neuronal, por medio del ingreso de datos ya co- nocidos, informe de la importancia de cada una de las características y moni- toreo de sus salidas. Los cambios en el diseño original pueden ser necesa- rios en la optimización del proceso.
A diferencia de la red neuronal, ML y DL permiten información de varias fuentes, no solo una retinografía sino también un OCT e incluyen progresi- vamente más datos, lo cual permite que la máquina reciba la evaluación de su trabajo para que, de manera casi independiente o incluso indepen- dientemente, identififique variables o datos, previamente imperceptibles o clínicamente ignorados, contribuyen- do a la optimización de sus resultados.
En un caso de DMAE húmeda, ini- cialmente, un grupo de especialistas realiza el diseño de las lesiones en la computadora,
sobre la existencia de drusas, hemorragias, exudados. Los lí- mites normales entre áreas sa- nasyenfermassondefifinidos fácilmente. Con el desarrollo del método, nuevas variables son tomadas en consideración hasta que la máquina es capaz de reconocer un cambio, por ejemplo, en la capa plexiforme interna, como una característi- ca de la membrana neovascu- lar, que habría sido ignorada o no reconocida.
Mientras más conexiones de datos haga el sistema, más pro- fundo se volverá. Mientras más profundo, menos entendemos los parámetros que utiliza la computadora para generar ese resultado o salida. Cada nivel de análisis se denomina layer o capa. En las redes neuronales generalmente tenemos una la- yer. En DL pueden ser varias. En una capa existen límites y bordes (de una membrana neovascular por ejemplo) en otras capas habrá diseños, co- lores o densidad.
En este punto cabe hacer una analogía. Una pintura primi- tiva, con pocos recursos téc- nicos, es hecha con una sola capa de pintura en el lienzo en el cual los colores producen de tres a cuatro tonos. Una pintu- ra de un artista reconocido es- tará compuesta por numerosas capas de pintura, con una ex- tensa paleta de colores, lo que representa su complejidad. El DL es mucho más complejo que
la red neuronal. El secreto del reconoci- do artista que aplica múltiples capas de pintura nunca podrá ser descifrado. ¡Lo mismo sucede con el DL y se le denomi- na caja negra!
Otros ejemplos de IA en oftalmolo- gía y nuevos desafíos
Glaucoma: la detección automática de da- ños en la cabeza del nervio óptico, la capa defibrasnerviosasyganglionaresfacilita y mejora la capacidad humana para cuan- tificar la excavación y el daño neuronal.
En IA, gracias al uso de imágenes retino- gráficas y de OCT, es posible identificar el nervio óptico y sus límites, el canal óptico y los parámetros de pérdida de la capa de fibra nerviosa. Por lo tanto, es posible obtener mediciones objetivas de la excavación por medio de la IA. Pero eso no es todo. Es bien sabido que los casos de alta miopía pueden presentar un afinamiento del espesor de la capa de fibra nerviosa. Una vez ingresada esta información, el sistema podrá, tras un proceso de validación y pruebas, hacer la distinción entre glaucoma de alta mio- pía, así como también identificar el glau- coma en pacientes con alta miopía ade- más de generar mapas de evolución, con probabilidades y curvas de sobrevida.
En otras áreas de la oftalmología, la IA ha ofrecido soluciones para el diagnós- tico de catarata, la opacidad de la cáp- sula posterior, la planificación quirúrgica para el estrabismo, al señalar la necesi- dad de anti VEGF en ARMD y diabetes, cambios en el glaucoma preperimétrico, entre otros.
En queratocono, ya hemos descrito el uso de redes neuronales. Recientemente, se han utilizado varios tipos de datos de di- ferentes equipos o métodos de diagnós- tico como OCT, topografía de Plácido e
imágenes de Scheimpflug en la iden- tificación del queratocono, bajo un abordaje conocido como multimodal.
En resumen, la IA es capaz de resol- ver varios problemas aún sin solu- ción, así como satisfacer las necesi- dades de especialistas en áreas con pocos recursos y contribuir al diag- nóstico de casos más complejos in- cluso en centros desarrollados.
Sin embargo, deben tomarse en cuenta algunas precauciones y limi- taciones. La asociación de enferme- dades es un factor de confusión en los análisis mostrados hasta ahora. Las enfermedades asociadas pueden llevar a malas interpretaciones. Los dispositivos de IA son temáticos, de- sarrollados para una única tarea, por ejemplo para detectar glaucoma. Si el mismo paciente tiene DMRE, ya no será posible detectarla. Mientras más enfermedades incluimos en el mismo sistema, menor será la capa- cidad de detección de cada una de ellas. Para lograr una suficiente dis- ponibilidad de bases de datos, por ejemplo, en el análisis de DMRE, los especialistas pueden necesitar in- formar en cada OCT 250 secciones de cada examen.
Para muchos profesionales, y desde un punto de vista ético, las cajas negras de Deep Learning son un inconveniente. Esto sucede porque se trata de un conocimiento ob- tenido exclusivamente por la má- quina y que no se nos transmite. Les enseñamos, pero no logramos aprender nada. Por tal motivo, es necesario que los ingenieros infor- máticos desarrollen métodos más transparentes, lo cual permitirá una mayor precisión y diseminación de esta tecnología.
informándole