Computación para identificar enfermedades
Las máquinas están haciendo cada vez más trabajos antes reservados a seres humanos, y la detección de enfermedades puede ser uno de ellos: una nueva compañía llamada Enlitic apunta a las salas de examen mediante el empleo de computadores para hacer diagnósticos basados en imágenes.
El cofundador y CEO de Enlitic, Jeremy Howard -anteriormente presidente y científico principal en la empresa de datos Kaggle- dice que la idea es enseñar a las computadoras a reconocer diversas lesiones, enfermedades y trastornos, mostrándoles cientos de radiografías, resonancias magnéticas, tomografías computarizadas y otros datos. Howard cree que con la suficiente experiencia, un equipo puede empezar a buscar problemas in situ y señalar la imágenes de inmediato a un médico para que las investigue. Eso podría ahorrar a los médicos a tener que peinar montones de información.
El uso de máquinas de aprendizaje se ha disparado en los últimos años, as computadoras de alta potencia se han vuelto más avanzadas y los algoritmos han mejorado en la enseñanza a las máquinas para reconocer patrones. Más recientemente, algunos esfuerzos de aprendizaje automático han tratado de imitar el funcionamiento físico del cerebro humano, ya sea mediante software o hardware, este enfoque a menudo se denomina "aprendizaje profundo." Mostrar a una computadora suficientes imágenes de un taxi amarillo conduciendo por la calle, por ejemplo, y es posible que la máquina comience a reconocer los taxis amarillos, estén en una calle o en otro lugar. Esa es la estrategia que Enlitic está empleando.
Sin embargo, mientras que el uso de máquinas de aprendizaje ha recorrido un largo camino, Howard dice que su aplicación en medicina sigue siendo inferior.
Para Enlitic, la idea es que si se muestra a una computadora suficientes imágenes de enfermedades, como tumores cerebrales, sería capaz de marcarlas para los médicos de forma automática.
Howard señala que las imágenes de condiciones médicas tienden a parecer bastante consistentes, lo que debería facilitar el aprendizaje de la máquina. Un taxi amarillo puede aparecer en todo tipo de ambientes, pero el ángulo de posicionamiento, y color de una radiografía de pecho tienden a mirar más o menos la misma perspectiva. Eso hace que sea más sencillo aislar las diferencias críticas entre imágenes, por ejemplo, que incluyan un tumor.
Desde que hacer un diagnóstico completo es algo más complejo que el hecho de saber lo que se debe buscar en una imagen, Howard dice que los médicos podrían utilizar Enlitic para escanear las enormes y constantes bases de datos de, por ejemplo, el hígado o similares de un paciente en particular. "No me refiero a píxeles similares, sino en base a un algoritmo de aprendizaje profundo tener los resultados esperados o similares e intervenciones", dice.
Y los últimos avances en las técnicas de aprendizaje automático implican que, teóricamente, las computadoras podrían obtener información útil a partir de los patrones de comportamiento de los pacientes; como el sonido de la voz de un paciente al describir un dolor, o las muecas que realizan cuando se aplica una cierta cantidad de contacto en una zona lesionada. Howard piensa que con el tiempo este tipo de datos puede ser utilizado por los ordenadores de Enlitic para hacer diagnósticos más rápidos y más precisos.
Enlitic está entrando en un territorio que no es completamente desconocido: en 2011, investigadores de Stanford informaron que habían entrenado a un equipo informático para analizar imágenes microscópicas de cáncer de mama con más precisión que los humanos.
Además, algunas potencias de computación ya están dedicando importantes recursos a la organización de la aglomeración de la información médica.El sistema Watson de IBM, por ejemplo, está ayudando a los médicos de la Universidad del Centro Oncológico MD Anderson de Texas para identificar patrones en las historias clínicas en más de 100.000 pacientes. Y Microsoft ha lanzado su programa de computación, que tiene por objeto el análisis de imágenes médicas y la identificación de progresión de una enfermedad.
Por ahora, todas esas máquinas todavía necesitarán operadores humanos, aunque Enlitic espera que con los que trabaja, al menos, realizarán una mucho más rápida detección de enfermedades.
"No estamos buscando reemplazar a los radiólogos", dice Howard."Estamos tratando de darles la información que necesitan para hacer lo que ya hacen 10 veces más rápido."
Fuente: universodoppler.com
