El papel de la IA en la obtención de imágenes médicas para la detección temprana de anomalías

El entusiasmo por la IA sigue siendo fuerte en el ámbito sanitario, pero es especialmente fuerte en el de la radiología. Si recordamos los primeros tiempos del diseño asistido por ordenador (CAD), es impresionante lo lejos que ha llegado esta tecnología. Un nativo de ChatGPT tal vez diría que todavía queda mucho trabajo por hacer antes de que la IA pueda alcanzar su máximo potencial en este campo. Ambas opiniones son correctas. En este artículo se examinará por qué es tan difícil para la IA detectar cosas, cómo está cambiando su papel y qué tendencias hay que tener en cuenta en 2025 y más allá.

Encontrar una aguja en un pajar: la detección es difícil.

La detección temprana de enfermedades es difícil porque las enfermedades suelen comenzar con desviaciones bastante sutiles de la apariencia normal en los datos de imágenes radiológicas. Debido a que existe una gran variabilidad natural y completamente normal entre individuos, es muy difícil determinar qué cambios menores son realmente anormales. Por ejemplo, los nódulos pulmonares comienzan siendo muy pequeños; las enfermedades pulmonares difusas comienzan con cambios en los tejidos que se pasan por alto fácilmente.

Eso es donde Aprendizaje automático (ML) juega un papel importante. Puede aprender a reconocer los cambios específicos que no son normales, sino que están asociados con la enfermedad y separarlos de la variabilidad normal. Esta variabilidad normal puede tener diferentes orígenes: anatomía individual, diferencias técnicas en el equipo de adquisición de imágenes o incluso cambios temporales en la apariencia del tejido que son perfectamente normales. Necesitamos entrenar modelos ML con grandes cantidades de datos para que puedan formar representaciones de esta variabilidad e identificar aquellos cambios que apuntan a la enfermedad.

¿Puede la IA ayudarnos a detectar anomalías antes?

La IA puede ayudar de varias maneras. En primer lugar, puede reconocer patrones específicos asociados con enfermedades, como el cáncer, las enfermedades pulmonares intersticiales o las enfermedades cardiovasculares en los datos de imágenes. Al entrenarse con la mayor diversidad de datos posible, la IA puede detectar de manera sólida los hallazgos que son importantes para el primer diagnóstico. Y al analizar volúmenes de imágenes completos, puede ayudar a los radiólogos resaltando áreas sospechosas, lo que aumenta la sensibilidad de los médicos.

En segundo lugar, la IA puede utilizar características de imagen que van más allá de las que los humanos pueden observar y registrar fácilmente. En la detección del cáncer de pulmón, los radiólogos primero evalúan el tamaño, la forma y la categoría de un nódulo para decidir la siguiente acción en el tratamiento del paciente. La IA puede analizar la textura tridimensional y las características de grano fino de la superficie de un nódulo para determinar de manera más confiable si conlleva un riesgo alto o bajo de malignidad. Esto tiene consecuencias directas en el tratamiento de pacientes individuales, como por ejemplo si esa persona será o no enviada a realizarse una biopsia, o la duración y frecuencia de los intervalos de seguimiento.

En un estudio de Adams y otros (JACR)Se demostró que la combinación de pautas de manejo de nódulos incidentales en TC de tórax con El análisis basado en ML podría reducir significativamente los falsos positivos. Esto se traduce tanto en una menor cantidad de biopsias innecesarias (para los casos en los que la IA dice que el nódulo es benigno) como en un tiempo más rápido para el tratamiento (para los casos en los que la IA dice que el nódulo es maligno). Aquí es importante enfatizar que la IA no está abogando por la eliminación de las pautas. En cambio, se nos está desafiando a complementar las pautas necesarias con los resultados de la IA. En este caso, si la puntuación de ML contradice la pauta con alta certeza, entonces opte por la puntuación de ML; de lo contrario, apéguese a las instrucciones de la pauta. Veremos más aplicaciones como esta en el futuro.

En tercer lugar, la IA puede ayudar a cuantificar los cambios que se producen en los pacientes a lo largo del tiempo, lo que es crucial para un seguimiento adecuado. Los algoritmos actuales en el área del aprendizaje automático y el análisis de imágenes médicas pueden alinear varias imágenes del mismo paciente (lo que llamamos «registro») para que podamos observar la misma posición en diferentes momentos. En el caso del cáncer de pulmón, la incorporación de algoritmos de seguimiento nos permite presentar el historial completo de cada nódulo de un pulmón a los radiólogos cuando abren un caso. En lugar de tener que buscar exploraciones anteriores y navegar hasta la posición correcta para unos pocos nódulos de ejemplo, ven todo a la vez. Esto no solo debería ahorrar tiempo, sino que también haría que la experiencia de trabajo fuera más agradable para los médicos.

La radiología evolucionará gracias a la IA. La pregunta es: ¿cómo?

Hay varias direcciones en las que la IA está avanzando rápidamente. La más obvia es que estamos recopilando datos más diversos y representativos para construir modelos robustos que funcionen bien en entornos clínicos. Esto incluye no solo datos de diferentes tipos de escáneres, sino también datos relacionados con comorbilidades que dificultan la detección del cáncer.

Aparte de los datos, hay un progreso continuo en el desarrollo de nuevos métodos de aprendizaje automático para mejorar la precisión. Por ejemplo, un área importante de investigación está buscando cómo desenredar la variabilidad biológica de las diferencias en la adquisición de imágenes; otra área está buscando cómo transferir modelos de aprendizaje automático a nuevos dominios. La multimodalidad y la predicción representan dos direcciones particularmente interesantes que también dan una pista de cómo la radiología podría cambiar en los próximos años. En la medicina de precisión, el diagnóstico integrado es una dirección crítica que apunta al uso de datos de radiología, medicina de laboratorio, patología y otras áreas de diagnóstico para las decisiones de tratamiento. Si estos datos se utilizan juntos, ofrecen mucha más información para guiar las decisiones que cualquier parámetro en particular por sí solo. Esto ya es una práctica estándar, por ejemplo, en los comités de tumores; el aprendizaje automático simplemente entrará en la discusión en el futuro. Esto plantea la pregunta: ¿qué deberían hacer los modelos de aprendizaje automático con todos estos datos integrados de múltiples fuentes? Una cosa que podríamos hacer es tratar de predecir la enfermedad futura, así como la respuesta de un individuo al tratamiento. Juntos tienen mucho poder que podemos explotar para crear predicciones de "qué pasaría si" que puedan guiar las decisiones de tratamiento.

Tendencias para 2025: cómo dar forma a la eficiencia, la calidad y el reembolso

Hay varios factores que impulsan la IA en la práctica clínica. Dos aspectos importantes son la eficiencia y la calidad.

Eficiencia

Al permitir que los radiólogos se concentren en el aspecto crucial y desafiante de su trabajo (la integración de datos complejos), la IA puede ayudar a aumentar la eficiencia. La IA puede respaldar esto proporcionando información crítica y relevante en el punto de atención (por ejemplo, valores cuantitativos) o automatizando algunas tareas como la detección o segmentación de una anomalía. Esto tiene un efecto secundario interesante: no solo permite que la evaluación de los cambios sea más rápida, sino que también lleva tareas como la segmentación píxel por píxel y la volumetría de patrones de enfermedades de la investigación a la práctica clínica. La segmentación manual de patrones grandes es completamente inviable en muchas circunstancias, pero la automatización hace que esta información sea accesible durante la atención de rutina.

Calidad

La IA influye en la calidad del trabajo. Con esto nos referimos a mejorar el diagnóstico, la recomendación de tratamientos específicos, la detección temprana de enfermedades o la evaluación más precisa de la respuesta al tratamiento. Estos son beneficios para cada paciente individual. En este momento, se está evaluando la relación de estos beneficios con la rentabilidad a nivel de sistema para estudiar y comparar el impacto en la economía de la salud de la introducción de la IA en radiología.

Reembolso

La adopción de la IA ya no se limita a una cuestión de eficiencia; ahora se la reconoce y recompensa por sus contribuciones tangibles a la atención al paciente y al ahorro de costes. Su inclusión en los planes de reembolso pone de relieve este cambio. Si bien los beneficios (como la reducción de procedimientos innecesarios y la aceleración del tratamiento) parecen evidentes en retrospectiva, el camino ha sido largo. Ahora, con la aparición de los primeros casos de éxito, el impacto transformador de la IA es evidente. Al mejorar los resultados de los pacientes y optimizar los procesos sanitarios, la IA está transformando la industria, con novedades interesantes en el horizonte.

Dando forma al futuro de la imagenología médica

La imagenología médica está atravesando transformaciones fundamentales. La medicina de precisión, los diagnósticos integrados y la nueva tecnología de diagnóstico molecular cambian los medios para tomar decisiones sobre el tratamiento en un panorama cada vez más complejo de opciones terapéuticas. La IA es un catalizador de este cambio, ya que permite a los médicos integrar más características captadas por diferentes modalidades y vincularlas con las respuestas al tratamiento.

Aún llevará tiempo adoptar estas herramientas a gran escala debido a los desafíos técnicos, los problemas de integración y las preocupaciones económicas de la salud. Una cosa que todos podemos hacer para acelerar el proceso es ser pacientes informados. Todos podemos hablar con nuestros médicos sobre qué IA podrían haber probado o estar usando en la práctica y cómo esas herramientas complementan su experiencia y conocimiento profesional. El mercado habla de la demanda; por lo tanto, si exigimos una detección temprana y precisa, la IA vendrá.