Cómo un algoritmo de Google ayuda a la lucha contra el cáncer

Durante décadas, los médicos han confiado en los patólogos (y en sus bien entrenados ojos) para diagnosticar el cáncer. Un proceso laborioso y complejo que ahora podrían hacer las máquinas en tan solo unos pocos segundos. Todo gracias a un algoritmo de Google de deep learning.

Se trata de una nueva investigación, publicada hoy en Nature Medicine y llevada a cabo por científicos de la Universidad de Nueva York. Este algoritmo del gigante de internet es capaz de distinguir entre los dos tipos de cáncer de pulmón más comunes con una precisión del 97%.

Se trata de la misma tecnología de inteligencia artificial que identifica rostros, animales y objetos, pero ya había demostrado anteriormente su eficacia para diagnosticar enfermedades, como problemas de ceguera asociados a la diabetes o afecciones cardíacas. Pero estos nuevos investigadores han logrado hacer algo que ningún patólogo ha conseguido, identificando las mutaciones genéticas que abundan en cada tumor desde una sola imagen.

Según Aristotelis Tsirigos, patólogo de la Facultad de Medicina de la Universidad de Nueva York, pensó que la verdadera novedad no sería solo demostrar que la inteligencia artificial puede ser tan buena como los humanos. Sería mostrar que es capaz de ofrecer ideas que a un humano se le escapan.

El comienzo de esta investigación fue el algoritmo de fuente abierta de Google, Inception v3, que fue entrenado para identificar 1.000 clases de objetos. Se enseñó al algoritmo a distinguir entre imágenes de tejido canceroso y sano procedentes de The Cancer Genome Atlas, una biblioteca pública de muestras de tejido de pacientes, según Wired.com.

Una vez que Inception averiguó cómo seleccionar las células cancerosas con una precisión del 99%, el siguiente paso fue mostrar los dos tipos de cáncer de pulmón más comunes: el adenocarcinoma y el carcinoma de células escamosas.

Estos dos tipos de cáncer de pulmón son responsables de la muerte de más de 150.000 personas cada año. Aunque bajo el microscopio son frustrantemente similares, su tratamiento es muy diferente. Conseguir diferenciarlos puede significar salvar varias vidas.

Probando el algoritmo con muestras independientes de pacientes con cáncer, la precisión disminuyó pero se mantuvo en números altos, diagnosticando correctamente entre el 83% y el 97% de los casos. Algo que no es sorprendente, puesto que estas muestras contienen mucho más ruido. Obtener una mejora en la precisión solo era cuestión de que los patólogos anoten este tipo de características para que el sistema aprenda de ellos.

Pero el truco es que el algoritmo lo aprendió todo por sí mismo. El equipo de Tsirigos alimentó los perfiles genéticos de cada tumor. Gracias a ello, la red neuronal aprendió a notar cambios muy sutiles en las muestras. Unas sutilezas que los patólogos no pueden ver.

Pero los investigadores no saben con certeza cuáles son estos cambios sutiles que el algoritmo sí puede ver. «Nadie sabe realmente cómo extraerlos», señala el investigador.

Esta es principalmente una de las cuestiones más esgrimidas por los críticos de estos sistemas. Piensan que primero deberían ser más transparentes antes de generalizarse. Pero otros, como Olivier Elemento, director de Caryl and Israel Englander Institute for Precision Medicine de Cornell, señalan que sería estúpido no utilizar un sistema que es preciso al 99%, aunque no se sepa cómo funciona.

En los próximos meses, los investigadores de la Universidad de Nueva York seguirán entrenando al sistema con más datos de un número mayor de fuentes. El paso siguiente será buscar la aprobación de la FDA y estandarizar así la secuenciación de muestras de tumores en Estados Unidos.

«La gran pregunta es: ¿Será esto lo suficientemente fiable como para reemplazar a la práctica actual«, expresa Daniel Rubin, director de informática biomédica en el Standford Cancer Institute. «Lo que este documento demuestra es que existe mucha más información en las imágenes de la que puede sacar un ser humano».

Pero, ¿qué hay de los patólogos? ¿Podrían acabar siendo reemplazados por este tipo de algoritmos de código abierto que abren la investigación hasta puntos nunca antes vistos? Según Tsirigos, no es algo que les preocupe, por lo menos a corto plazo. De hecho, comenta que están entusiasmados, pensando en las posibilidades que supondría que las máquinas se ocupasen de las tareas más simples, dejándoles centrarse en lo más complejo.