E se fose unha intelixencia artificial a que nos diagnosticase as enfermidades?

A intelixencia artificial está a impregnar todos os ámbitos da sociedade. Os seus tentáculos son tan longos que xa en calquer sector está presente e, como non ía ser unha excepción, tamén dentro do ámbito da saúde se emprega para mellorar os diagnósticos clínicos ou os tratamentos recetados aos pacientes. Con todo, ben é certo que hai que saber usar esas redes neuronais de forma correcta, pois os seus beneficios son múltiples: axudar a manter a vida sá, axudas aos clínicos na detección precoz de enfermidades, aconsellar na toma de decisións aos profesionais médicos...; pero débese ter moito coidado cos datos que se usan para xerar esta intelixencia artificial e coa súa privacidade. Nun mundo no que os datos valen máis que o propio ouro, tal cantidade de información é moi xugosa para os 'hackers'.

"A xente, en xeral, ten moito medo a compartir datos clínicos, pero sen embargo ten un montón de aplicacións no móbil de saúde que usan sen saber a onde van parar eses datos", advirte María José Carreira Nouche, investigadora do CiTIUS da Universidade de Santiago (USC) especializada en enxeñaría informática e intelixencia artificial, que asegura que "á intelixencia artificial hai que terlle respeto, pero non medo", porque "haberá que confiar no sistema nacional de saúde e no coidado que este, a nivel legal, lle proporcione aos datos". Así, mentres que as aplicacións móbiles de saúde, que agora xa se usan tamén en todo tipo de 'smartwatch' como as 'fit band', poden pasar eses datos a terceiros, vendéndollos a empresas que pagan por eles para logo 'spamearnos' a chamadas e correos, o sistema nacional de saúde gárdaos baixo custodia, a proba de 'hackers'.

Como recorda Carreira, "o nacemento da intelixencia artificial considérase que foi no ano 1956, pero o desenvolvemento dos algoritmos de aprendizaxe automática non se deu ata os anos 80/90, con todo, tardamos moitísimo en poder aplicar estas tecnoloxías, conseguíndoo hai ben pouco". Hoxe por hoxe, "pasamos ás redes neuronais, con modelos moito máis sinxelos". Dentro delas, habería que diferenciar entre redes neuronais xerais, aquelas que contan cunha entrada, unha saída e unha soa capa oculta; e redes de aprendizaxe profundo, que son aquelas que teñen moitas capas ocultas. En medicina, esta experta afirma que "ao traballar con imaxes complexas de interpretar, necesitamos que as redes neuronais sexan profundas e conten con moitas capas".

E é que as neuronas do cerebro humano funcionan do mesmo xeito. Carreira explica que os humanos tamén identifican obxectos nas imaxes para chegar a comprendelas na súa totalidade: "Nas primeiras capas intentamos identificar os bordes, as burbullas, os círculos e as texturas que nos axudan a subir polos niveis de abstración ata chegar a un obxecto". Do mesmo xeito, "as primeiras capas das redes neuronais comezan polo básico e van subindo ata as capas ocultas, por iso funcionan tan ben, porque son capaces de ir superando a abstración ata chegar a identificar finalmente o obxecto".

En saúde, o que se fai, apunta a investigadora, é "entrenar á intelixencia artificial con distitnas fontes de datos, analíticas, imaxes de raios X ou de calquera outro tipo e mesmo con información xenética, e proporcionámoslle un diagnóstico ou opcións de tratamento ou un prognóstico sobre unha determinada enfermidade, para que aprenda". É dicir, a partir da experiencia real o sistema aprende. Se se lle explica por que nunha imaxe se aprecia un cancro e onde está localizado, cando a intelixencia artificial se atope cunha imaxe similar, saberá dicir que tamén se trata dun cancro e de que tipo. O problema é que "toda esta investigación non está chegando ao paciente xeral", advirte a investigadora.

"HAI QUE LOGRAR EXPLICAR POR QUE A IA TOMOU UNHA DECISIÓN E NON OUTRA"

Por que? Segundo indica, porque "como está agora mesmo o tema do 'software' en saúde o que temos é un 'software' estático que se deseña, se valida e, ante a mesma entrada (consulta), sempre da a mesma saída (resposta/solución), pero agora iso xa non serve, agora os modelos de saúde aprenden dinámicamente e, ante a mesma entrada, durante unha tempada poden dar a mesma saída, pero a medida que van bebendo datos van aprendendo máis e pode que deixen de dar esa mesma saída". O cal resultaría, dende o punto de vista do profesional, algo moi bo, porque se adapta para dar unha resposta máis precisa e con menos erros. Pero isto é tamén un problema a nivel legal, porque "a lexislación non está preparada para iso, a regulación actual só pode aprobarse se para cada problema se da sempre a mesma solución e esta pode ser avaliada". 

Carreira explica que "esta regulación ten que evitar determinados problemas, como os sesgos nos datos, e como os sistemas de intelixencia artificial aprenden o que lles ensinamos, nós temos sesgos que lle podemos pasar a eles". "Fai pouco saíron todos os sesgos que tiñan os sistemas de intelixencia artificial que xeraban imaxes automaticamente, porque como estes sistemas collen todas as imaxes que hai na Internet e xeran a partir delas unha nova imaxe, cun mundo real tan sesgado, collendo toda esa información do mundo real, o sistema sempre vai estar sesgado", exemplifica. E isto é algo que no ámbito da saúde non pode suceder, "os datos deben estar equilibrados, ser o mesmo número de homes que de mulleres, de razas, de intervalos de idade... para evitar que existan sesgos de interpretación".

O paso que hai que dar é que a solución que aporten estes sistemas sexa explicable. A investigadora do CiTIUS explica que "estes sistemas teñen que xerar un informe que sexa entendido polo clínico e polo paciente, e explicar por que a intelixencia artificial tomou esa decisión e non outra, por que di que unha persoa ten unha enfermidade e non outra". "Estase investigando moito, precisamente, en como se poderían explicar os resultados", afirma Carreira, que asegura que, "a medida que van chegando novos datos ao sistema, este ten que ir aprendendo e adaptándose ás novas situacións".

Así, dende aqueles anos 80 e 90 nos que se desenvolveron os algoritmos de aprendizaxe automático tardouse moito en que os grandes modelos explosionasen, pero a evolución do 'hardware' permitiu traballar cada vez con maiores cantidades de datos e procesar toda a información da que dispoñemos. Deste xeito, desde 2018 houbo un incremento moi grande do interese por estas tecnoloxías e, polo tanto, polo seu desenvolvemento. "Na saúde, hoxe por hoxe, este tipo de redes de aprendizaxe profundo pódense usar en varias fases: para reconstruír automaticamente imaxes ou melloralas, en diagnóstico para a detección de lesións, ou no tratamento para facer unha proposta adecuada a un paciente determinado, entre outras moitas cuestións", exemplifica Carreira.

COMO CHEGAR Á PATOLOXÍA COMPUTACIONAL?

Os modelos que máis se usan en imaxen médica son tres: CNN, redes neuronais convulacionais, que realizan unha predición seguindo unha clasificación, é dicir, non só din se o tumor é benigno ou maligno, senón que saben clasificalo dentro dun listado; as FCN, redes que se usan para segmentación, extraendo unha parte da imaxe que quero detectar, que se empregan en secuencias de imaxes, pois é unha rede totalmente conectada para reconstruír unha imaxe, como cando teño un conxunto de sensores conectados ao paciente e realízanse un montón de operacións matemáticas para chegar á imaxe final, usando así unha rede neuronal, o que fará que este proceso sempre sexa repetible e capaz de eliminar interferencias na imaxen que poida xerar algún sensor; e mesmo hai redes neuronais que se combinan: se unha CNN para detectar lesións se combina cunha RNN para xerar linguaxe natural, pódese obter un informe sobre a imaxe.

Entón, como chegar á patoloxía computacional? Carreira fai referencia a un artigo do ano 2021: "En patoloxía as imaxes son sempre moi grandes, polo que detectar células tumorais é moi complicado, así que o ideal sería contar cun sistema que facilitase o traballo ao patólogo, aínda que non se trate de sistemas infalibles e precisen de revisión humana". Segundo este artigo, os retos son varios: que a base de datos teña suficiente variabilidade, que en patoloxía hai imáxenes de miles de tipos diferentes dependendo de cómo se colla a mostra, ou que se me centro nun ámbito moi completo ou teño que meter toda a información preciso dun etiquetado clínico e, se isto o fai o patólogo, lévalle un tempo, polo que mesmo podería haber redes neuronais que axuden a facer ese etiquetado; pero precisamos mellorar a explicabilidade, é dicir, saber por que esa rede di que esta célula é deste tipo e non doutro.

EN ODONTOLOXÍA UNHA IA CALCULA O SEXO DO PACIENTE CO 83 % DE ACERTO

O traballo da doutora Carreira nos últimos anos estivo vinculado co ámbito da odontoloxía, e na actualidade traballa en temas de imaxe vinculada á intelixencia artificial neste sector. "A intelixencia artificial, vendo a imaxe panorámica da boca dunha persoa, pode dicirche exactamente que idade e sexo ten, e a porcentaxe de erro deste cálculo realizado pola intelixencia artificial foi só de catro meses, sendo este o máis baixo que existe na literatura, ao que se lle sumou un acerto do 83 % no sexo", asegura. Como se logrou? A investigadora explica que "se lle aportaron ao sistema máis de 2.000 imaxes de bocas de todas as idades, equilibradas entre homes e mulleres".

"Os sistemas de aprendizaxe automático son caixas negras, non se pode explicar por que o meu sistema di que eres un home ou unha muller ou por que di que tes catro anos", advirte Carreira. Precisamente por non poder explicalo "os odontólogos dixéronnos que non lles valía o sistema para o seu traballo". Pero, que hai dentro da caixa negra? "Unha rede convolucional que extrae a idade da persoa a partir de moitas capas, por iso é aprendizaxe profundo, e na de abaixo está o sexo da persoa". Porque o sistema sabe cousas como que "as nenas evolucionan máis rápido que os nenos e, polo tanto, a súa dentadura tamén, de tal maneira que tentamos que o sexo que ibamos calculando influíra no cálculo da idade e vimos que os resultados saían mellor ao combinar ambas entradas". 

Aínda así, "os nosos resultados seguían sen ser explicables". Como podía lograrse que fosen explicables? Decidiron usar mapas de calor: "unha cor máis intensa para ver as zonas nas que se fixaba máis a intelixencia artificial para tomar a súa decisión". Así, observouse que había algúns dentes que influían máis, así que decidiron ir un paso máis alá e calcular a idade a partir de cada peza dental. Deste xeito, fixeron un segundo sistema, con menos imaxes porque había que facer un cadro sobre cada dente, pero aínda así con 1.800 imaxes. Así, logrouse que a resposta da intelixencia artificial fose a mesma sobre o sexo e a idade das persoas, pero canto máis vermello aparecía un dente significaba que máis influía no resultado final. "Así, a intelixencia artificial dicíalle ao dentista que os dentes que máis influían no cálculo da idade e do sexo eran X, e concordaba co que os propios profesionais explicarían, así que validaron o sistema". 

Con todo, decidiron ir aínda un paso máis aló deses dous sistemas nos que a intelixencia artificial conseguía detectar o xénero e a idade do paciente. "Fumos un paso máis alá e xeramos unha explicación textual usando a información que nos proporcionaba a rede sobre a clasificación de idade de cada dente, mapas de calor e o que se denomina método subrogado, o método manual demostrado e atopamos unha relación moi directa co que nós usamos", explica Carreira, que pon como exemplo unha imaxe sobre a que o sistema dicía: "Unha nena de idade cronolóxica real X...", e se pulsaba o botón para ver o mapa de calor atopaba esa información escrita na imaxe de xeito moito máis detallado. "Esta é unha nomenclatura que o odontólogo entende perfectamente e iso está validado por varios odontólogos", afirma.

"A IA NON SUBSTITUIRÁ AOS SANITARIOS, PERO AUMENTARÁ A SÚA CAPACIDADE"

O que sucedeu no seu caso coa investigación odontolóxica compárao co que pode suceder en outros temas de saúde. "Hai moitísima investigación en temas de saúde que non está chegando aos pacientes, porque falta algo no medio para chegar a conectar todas as investigacións cos pacientes", afirma. Carreira tamén se refire a un estudo do ano 2020 no que unha das súas principais conclusións era que "a intelixencia artificial non substituirá aos profesionais sanitarios, senón que aumentará a súa capacidade para repercutir nos pacientes e nos sistemas de saúde, que contan hoxe por hoxe con moitas tarefas repetitivas e de tipo administrativo nas que o persoal médico podería deixar de gastar tempo para adicalo a atender aos pacientes". 

Así, considera que "con dispositivos de intelixencia artificial os pacientes crónicos se aprendesen a usalos poderían mellorar a súa saúde", para que os médicos "puidesen atender con máis tempo de calidade aos pacientes con patoloxías máis complexas", deixando "a teleatención ou atención remota para temas máis sinxelos". Pero para que isto sexa posible, o perfil de enxeñeiro de datos e o de enxeñeiro en intelixencia artificial debe integrarse como un membro máis do corpo médico nos sistemas de saúde. Deste xeito, a experta aposta pola formación de equipos multidisciplinares, onde o persoal clínico traballe man a man co experto en datos para chegar a un punto común. Isto fai necesario, na súa opinión, "replantexarse a educación e as competencias, é dicir, reciclarse para poder entender estas novas ferramentas, asegurar a calidade dos datos e saber xestionar o cambio", conclúe.