Inteligencia artificial contra el cáncer

Por Ivan Murataya Esquivel
Ciencia Amateur

Actualmente, cuando se sospecha de la existencia de un cáncer, un médico especialista realiza pruebas diagnósticas como el estudio de tejidos, pruebas analíticas o pruebas de imagen, como la captación de imágenes por fluorescencia, tomografías o resonancias magnéticas.

Una vez que se obtienen las imágenes, el médico especialista hace el diagnóstico final, resultando en un proceso que requiere de muchos recursos, médicos especialistas y equipos de diagnóstico.

La inteligencia artificial es una rama de la informática que, con el uso de algoritmos entrenados para casos concretos a partir de normas generales, es capaz de analizar datos para simular un comportamiento inteligente en computadores; esta tecnología ha sido aplicada en el ámbito médico para la detección, diagnóstico y seguimiento de enfermedades como el cáncer, y han sido utilizadas desde la década de 1990 para la detección de microcalcificaciones y para distinguir entre las masas probadas por biopsia y el tejido normal en las mamografías digitalizadas.

Con la demanda cada vez mayor de servicios de atención de la salud y los grandes volúmenes de datos que se generan diariamente, se ha mejorado la eficacia y la eficiencia de la atención clínica produciendo resultados comparables y en algunos casos superiores a los de los médicos expertos. Los avances tecnológicos en las imágenes médicas obtenidas hacen posible que pueda ser clasificado para optimizar el tipo y la intensidad del tratamiento.

El aprendizaje y las redes neuronales

El diseño de las redes neuronales está inspirado en el aprendizaje humano, donde a partir de una exposición a estímulos internos y externos guardados en la memoria de la persona, es capaz de crear una respuesta a estímulos similares. Los principales elementos que participan en el proceso de aprendizaje son el registro sensitivo, codificación, almacenamiento y recuperación de la información.

En la primera etapa del aprendizaje se reciben, seleccionan y asimilan los estímulos recibidos, para dentro de la segunda etapa ser organizados de acuerdo a la estructura mental de la persona, para finalmente, hacer uso de la información organizada y codificada ante estímulos similares que lo ocasionaron.

El aprendizaje humano para la toma de decisiones se logra de de manera progresiva y el proceso puede tomar años; la inteligencia artificial trata de diseñar herramientas que simulen el proceso de aprendizaje, razonamiento y autocorrección, con la ventaja de que el
procesamiento es mucho más rápido y permite grandes cantidades de datos a analizar.

Funcionamiento de las redes neuronales

La red neuronal convolucional (CNN) es una clase de red neuronal de aprendizaje profundo usada para analizar imágenes visuales; al principio de este proceso, una imagen de entrada se descompone en píxeles y entra en la capa convolucional; en esta etapa se aplican filtros para enfocar o hacer borrosa la imagen, así como poder detectar bordes e identificar patrones para extraer características de la imagen de entrada. El resultado de esto es el mapa de características, el cual es más pequeño que la imagen de entrada original.

Una vez que se crea un mapa de características, entra a la capa ReLu o capa de activación, donde se evita que exista linealidad dentro de la imagen de entrada, eliminando los valores negativos, manteniendo sólo los que tienen un valor positivo (los colores gris y blanco). En la siguiente imagen se pueden observar los cambios que suceden cuando la imagen es sometida a la función de rectificación, y así evitar los cambios graduales.

En la capa de agrupación (o pooling layer), se reducen las dimensiones de la imagen en una red neural de convolución, al tener menos información se obtiene un rendimiento de cómputo y también significa menos parámetros, por lo que hay menos posibilidades de sobreajustar el modelo; por último, la información es agrupada en un vector, esto permite que la información se convierta en la capa de entrada de una red neuronal artificial para su posterior procesamiento y predecir las clases con mayor precisión.

Las CNN aprenden la detección de características a través de decenas o cientos de capas ocultas. Cada capa aumenta la complejidad y va mejorando mientras la red se entrena en un conjunto de imágenes.

Diagnóstico

El cáncer de mama es el cáncer más comúnmente diagnosticado y la segunda causa de muerte por cáncer en las mujeres de Estados Unidos, la esperanza de vida ha aumentado gracias a la debido a los exámenes mamográficos y a las mejoras en el tratamiento; la detección asistida por ordenador del cáncer de mama ha estado en desarrollo durante décadas; se han desarrollando técnicas de machine learning con la tarea de distinguir entre lesiones malignas y benignas de los senos.

Estos métodos realizan la caracterización automática de un tumor; obteniendo las características de tamaño, forma, morfología y textura del tumor; la computadora caracteriza la región o lesión sospechosa y estima su probabilidad de enfermedad, dejando el manejo del paciente al médico.

Desafíos y direcciones futuras

El paradigma de diagnóstico actual se centra en la detección de hallazgos visualmente reconocibles, estos sistemas tienen que enfrentar muchos obstáculos para ser implementados a gran escala. El preprocesamiento de imágenes, la gestión de datos y otras tecnologías también necesitan mejoras para ser compatibles con la IA y los algoritmos de aprendizaje que se implementen. Teniendo en cuenta los resultados experimentales, las redes neuronales implementadas por la IA serán el futuro en el diagnóstico y tratamiento del cáncer.

El autor

Ivan Murataya Esquivel es alumno de Ingeniería en Sistemas Digitales y Robótica del Tecnológico de Monterrey, en Campus Querétaro. Este artículo es producto de su proyecto final en la asignatura “Finanzas personales y empresariales”. A01272614@itesm.mx

Asesor

Jorge Adrián Meyrán Woo. Director de Programa Académico de la Licenciatura en Administración Financiera. Departamento Académico de Contabilidad y Finanzas, de la Escuela de Negocios, Campus Querétaro.

Referencias bibliográficas

• Bi, W. L. (2019, 5 febrero). Artificial intelligence in cancer imaging: Clinical challenges and applications. ACS Journals. https://acsjournals.onlinelibrary.wiley.com/doi/full/10.3322/caac.21552
• Coccia, M. (2019, 23 octubre). Deep learning technology for improving cancer care in society: New directions in cancer imaging driven by artificial intelligence. ScienceDirect.
  https://reader.elsevier.com/reader/sd/pii/S0160791X1930274X?token=
  3AD0A517140F9B95591C212E71BDCB3980B46EC19C2C373DD160
  E11024EE7CDB64879E2A2404B28DE4E12F9789D6D5A1
• Hirasawa, T. (2018, 15 enero). Application of artificial intelligence using a convolutional neural network for detecting gastric cancer in endoscopic images. Springer Link.
  https://link.springer.com/article/10.1007/s10120-018-0793-2
• Patel, D. (2019, 29 noviembre). Implementation of Artificial Intelligence Techniques for Cancer Detection. Springer Link. https://link.springer.com/article/10.1007/s41133-019-0024-3
• Dabeer, S. (2019) Cancer diagnosis in histopathological image: CNN based approach. ScienceDirect. https://www.sciencedirect.com/science/article/pii/S2352914819301133
• Razti, R (2017) Breast cancer diagnosis in DCE-MRI using mixture ensemble of convolutional neural networks ScienceDirect.
  https://www.sciencedirect.com/science/article/pii/S0031320317303084