Un algoritmo detecta hemorragias cerebrales con más acierto que la mitad de los radiólogos

La inteligencia artificial sigue avanzando a pequeños pasos para hacerse un hueco en los hospitales. Además de su capacidad para detectar patrones, los equipos médicos pueden utilizarla para maximizar su capacidad de detección de anomalías al analizar distintas pruebas médicas. La última demostración está en un algoritmo desarrollado por científicos de la Universidad de California, que ha conseguido mejores resultados que dos de cada cuatro radiólogos expertos en encontrar pequeñas hemorragias cerebrales en los escáneres. Se trata de un avance que puede ayudar a los médicos a tratar a pacientes con lesiones cerebrales traumáticas, accidentes cerebrovasculares y aneurismas, según publica la revista científica PNAS.

El algoritmo desarrollado por el equipo tardó solo un segundo en determinar si un examen completo de la cabeza contenía signos de hemorragia. También trazó los contornos detallados de las anomalías que encontró, señalando su ubicación dentro de la estructura tridimensional del cerebro. Algunas de las hemorragias eran tan pequeñas que, en imágenes compuestas por un millón de píxeles, solo ocupaban 100. Pasaban desapercibidas incluso para los radiólogos más expertos.

Más información

Aprendiendo a aprender, los avances de la neurociencia en la educación

El robot gusano del MIT que podría entrar en el cerebro para reparar aneurismas

Además de señalar su ubicación dentro del cerebro, el algoritmo clasifica las anomalías según el subtipo, información que los médicos necesitan para decidir cuál es el mejor tratamiento. Según las pruebas realizadas hasta el momento, el algoritmo proporciona toda esta información con un nivel "aceptable" de falsos positivos y minimizando el tiempo que los médicos necesitarían invertir en revisar los resultados. "Para que esto sea clínicamente útil, el nivel de precisión debe ser casi perfecto. Si una máquina señala muchos falsos positivos, ralentizará al radiólogo y puede provocar más errores", señala Esther Yuh, profesora asociada de radiología 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 entrenó al modelo. El estudio utilizó un tipo de aprendizaje profundo conocido como red neuronal convolucional (CNN), que entrena algoritmos con un número relativamente pequeño de imágenes, en este caso 4.396 pruebas de tomografías computerizadas. A pesar del pequeño tamaño de la muestra, el algoritmo consigue tantos aciertos porque las imágenes con las que se le entrenó contenían cantidades ingentes de información: cada pequeña anomalía se delineaba manualmente, píxel por píxel. "La riqueza de estos datos, junto con otros pasos que impidieron que el modelo interpretara el "ruido" como significativo, creó un algoritmo extremadamente preciso", apunta Jitendra Malik, profesora de ingeniería eléctrica y ciencias de la computación en Berkeley.

Según recoge Europa Press, los expertos en radiología señalan que la capacidad del algoritmo de encontrar anormalías muy pequeñas y señalar su ubicación en el cerebro es un avance sustancial. "La hemorragia puede ser pequeña y, aún así, ser significativa", precisa Pratik Mukherjee, profesor de radiología en la Universidad de California en San Francisco (UCSF). "Eso es lo que hace que el trabajo de un radiólogo sea tan difícil. Si un paciente tiene un aneurisma, está empezando a sangrar y se le envía a casa, puede morir". La profesora Malik, por su parte, asegura que "dada la gran cantidad de personas que sufren lesiones cerebrales traumáticas todos los días, esto tiene una importancia clínica enorme".