El papel de la IA en la imagen médica para la detección temprana de anomalías

El revuelo que rodea a la IA sigue siendo prevalente en la atención sanitaria, pero es particularmente fuerte en radiología. Si recuerdas los primeros días del diseño asistido por computadora (CAD), es bastante impresionante cómo ha avanzado la tecnología. Un nativo de ChatGPT podría argumentar que aún se necesita hacer mucho trabajo antes de que la IA pueda alcanzar su máximo potencial en este campo. Ambas opiniones son correctas. Este artículo examinará por qué es tan difícil para la IA detectar cosas, cómo está cambiando su papel y qué tendencias observar en 2025 y más allá.

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

Detectar enfermedades temprano es difícil porque las enfermedades a menudo comienzan con desviaciones bastante sutiles de la apariencia normal en los datos de imagen radiológica. Debido a que hay mucha variabilidad completamente normal y natural entre los individuos, es muy difícil determinar qué cambios menores son verdaderamente anormales. Por ejemplo, los nódulos pulmonares comienzan muy pequeños; las enfermedades pulmonares difusas comienzan con cambios tisulares fáciles de pasar por alto.

Ese es donde Machine Learning (ML) juega un papel importante. Puede aprender a reconocer los cambios específicos que no son normales, sino asociados con la enfermedad y separarlos de la variabilidad normal. Esta variabilidad normal puede tener diferentes fuentes: 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 de ML con grandes cantidades de datos para que puedan formar representaciones de esta variabilidad e identificar esos cambios que apuntan a la enfermedad.

¿Puede la IA ayudarnos a detectar anomalías más temprano?

La IA puede ayudar de varias maneras. Primero, puede reconocer patrones específicos asociados con la enfermedad, como el cáncer, las enfermedades pulmonares intersticiales o las enfermedades cardiovasculares en los datos de imagen. Al entrenar con datos tan diversos como sea posible, la IA puede detectar de manera robusta hallazgos importantes para el primer diagnóstico. Y al analizar volúmenes de imagen completos, puede apoyar a los radiólogos destacando áreas sospechosas, aumentando así la sensibilidad de los médicos.

En segundo lugar, la IA puede utilizar características de imagen más allá de las que los humanos pueden observar y reportar fácilmente. En la detección de cáncer de pulmón, los radiólogos evalúan primero el tamaño, la forma y la categoría de un nódulo para decidir sobre la próxima acción en el manejo del paciente. La IA puede analizar la textura tridimensional y las características finas de la superficie de un nódulo para determinar de manera más confiable si lleva un alto o bajo riesgo de malignidad. Esto tiene consecuencias directas en el manejo de pacientes individuales, como si esa persona será enviada para una biopsia o la longitud y frecuencia de los intervalos de seguimiento.

En un estudio de Adams et al. (JACR), se demostró que emparejar el manejo basado en pautas de nódulos incidentales en tomografías computarizadas de tórax con análisis basado en ML podría reducir significativamente los falsos positivos. Esto se traduce en una reducción tanto del número de biopsias innecesarias (para los casos en los que la IA dice que el nódulo es benigno) como del tiempo hasta el tratamiento (para los casos en los que la IA dice que el nódulo es maligno). Aquí es importante enfatizar – la IA no aboga por la eliminación de las pautas. En cambio, se nos desafía 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 se sigue la puntuación de ML; de lo contrario, se sigue las instrucciones de la pauta. Veremos más aplicaciones como esta en el futuro.

En tercer lugar, la IA puede ayudar a cuantificar el cambio en el tiempo en los pacientes, lo cual es crucial para un seguimiento adecuado. Los algoritmos actuales en el área de ML y análisis de imágenes médicas pueden alinear múltiples imágenes del mismo paciente – lo que llamamos “registro” – para que podamos mirar la misma posición en diferentes puntos en el tiempo. En el caso del cáncer de pulmón, agregar algoritmos de seguimiento permite presentar la historia completa de cada nódulo en un pulmón a los radiólogos cuando abren un caso. En lugar de tener que buscar escaneos anteriores y navegar hasta la posición correcta para unos pocos nódulos de ejemplo, ven todo al mismo tiempo. Esto no solo debería liberar tiempo, sino también hacer que la experiencia laboral sea más agradable para los médicos.

La radiología evolucionará debido a la IA. La pregunta es, ¿cómo?

Hay varias direcciones en las que la IA está progresando rápidamente. La obvia es que estamos recopilando más datos 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 hacen que la detección del cáncer sea más difícil.

Además de los datos, hay un progreso continuo en el desarrollo de nuevos métodos de ML para mejorar la precisión. Por ejemplo, un área importante de investigación es cómo desenredar la variabilidad biológica de las diferencias en la adquisición de imágenes; otra área está explorando cómo transferir modelos de ML a nuevos dominios. La multimodalidad y la predicción representan dos direcciones particularmente emocionantes que también sugieren cómo podría cambiar la radiología en los próximos años. En la medicina de precisión, la integración de diagnósticos es una dirección crítica que apunta a utilizar datos de radiología, medicina de laboratorio, patología y otras áreas de diagnóstico para la toma de decisiones de tratamiento. Si se utilizan estos datos juntos, ofrecen mucha más información para guiar las decisiones que cualquier parámetro individual por sí solo. Esto ya es práctica estándar, por ejemplo, en las juntas de tumores; el ML simplemente entrará en la discusión en el futuro. Esto plantea la pregunta: ¿qué deberían hacer los modelos de ML con todos estos datos integrados de múltiples fuentes? Una cosa que podríamos hacer es intentar 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: Dar forma a la eficiencia, la calidad y la reembolsación

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

Efficiencia

Al permitir que los radiólogos se concentren en el aspecto crucial y desafiante de su trabajo – integrar datos complejos – la IA puede ayudar a aumentar la eficiencia. La IA puede apoyar 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 lateral interesante: no solo permite que la evaluación de los cambios sea más rápida, sino que también trae tareas como la segmentación píxel a píxel y la volumetría de patrones de enfermedad desde la investigación hasta 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. Queremos decir: volviéndose mejor en el diagnóstico, la recomendación de un tratamiento específico, la detección temprana de la enfermedad o la evaluación más precisa de la respuesta al tratamiento. Estos son beneficios para cada paciente individual. En este momento, la relación de estos beneficios con la rentabilidad en un nivel de sistema está siendo evaluada para estudiar y comparar el impacto económico de la salud de la introducción de la IA en la radiología.

Reembolsación

La adopción de la IA ya no se trata solo de eficiencia; se reconoce y recompensa por sus contribuciones tangibles a la atención del paciente y los ahorros de costos. Su inclusión en los esquemas de reembolso destaca este cambio. Mientras que los beneficios – como reducir procedimientos innecesarios y acelerar el tratamiento – parecen sencillos en retrospectiva, el viaje ha sido largo. Ahora, con los primeros casos exitosos emergiendo, el impacto transformador de la IA es claro. Al mejorar los resultados de los pacientes y optimizar los procesos de atención sanitaria, la IA está cambiando la industria, con desarrollos emocionantes en el horizonte.

Dar forma al futuro de la imagen médica

La imagen médica está experimentando transformaciones fundamentales. La medicina de precisión, la integración de diagnósticos y la tecnología de diagnóstico molecular novel cambian los medios para tomar decisiones de tratamiento en un panorama cada vez más complejo de opciones de terapia. La IA es un catalizador de este cambio, ya que permite a los médicos integrar más características capturadas por diferentes modalidades y vincularlas a respuestas al tratamiento.

Todavía tomará tiempo adoptar estas herramientas a gran escala debido a los desafíos técnicos, los problemas de integración y las preocupaciones sobre la economía 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 utilizando en la práctica y cómo esas herramientas complementan su experiencia y conocimiento profesional. El mercado responde a la demanda; así que si demandamos detección temprana y precisa, la IA llegará.