El papel de la inteligencia artificial y la imagenología médica en la lucha contra las enfermedades zoonóticas

El aprendizaje automático, una parte cada vez más importante de la inteligencia artificial, usa las computadoras para resolver tareas complejas, pero no por medio de soluciones programadas sino creando modelos capaces de aprender a partir de ejemplos. Este enfoque ha realizado importantes avances en los últimos a?os. En la actualidad, los modelos de aprendizaje automático pueden reconocer a personas y objetos en imágenes, comprender, traducir y generar lenguaje hablado y detectar relaciones sutiles en datos biológicos. Estos modelos, cada vez más robustos, forman hoy parte de nuestra vida cotidiana.

En el ámbito de la atención de salud, los modelos de aprendizaje automático desempe?an un papel cada vez más importante en la medicina de precisión, y ayudan a tomar decisiones terapéuticas a partir de datos obtenidos mediante imagenología médica (p. ej.: tomografía computarizada (TC), imagenología por resonancia magnética (MRI), tomografía por emisión de positrones (PET) y rayos X), genómica y otras variables clínicas. Al reconocer patrones sutiles, huellas del avance de una enfermedad y respuestas a los tratamientos, los modelos pueden predecir los riesgos y la futura evolución de una enfermedad en pacientes individuales. En medicina, los modelos de aprendizaje automático abren la puerta a nuevas mediciones y observaciones cuantitativas y a descubrir información nueva sobre enfermedades.

En el caso de las enfermedades pulmonares, por ejemplo, gracias a los modelos de aprendizaje automático se han podido determinar nuevos patrones dinámicos de la enfermedad que están vinculados al avance de esta y a la respuesta que se le da. Este aprendizaje permite medir cambios sutiles en el tejido pulmonar y sus características imagenológicas, y transformar esta información en nuevos conocimientos sobre huellas de enfermedades comunes a un conjunto de patrones distintos que pueden observarse en los pacientes. Estos cambios graduales nos ayudan a entender la enfermedad y nos permiten predecir, con más exactitud, el riesgo de que una persona la sufra. Además, el aprendizaje automático incorpora información adicional sobre imagenología y tiene en cuenta las enfermedades concomitantes para mejorar el pronóstico para cada paciente.

El aprendizaje automático se está convirtiendo en un instrumento que, en medicina, se emplea con fines de investigación y que permite realizar descubrimientos, ya que pone de manifiesto los patrones distribuidos. Con todo, si bien ya entendemos cómo funciona el concepto de predicción, estamos empezando a comprender de qué manera podemos traducir los modelos en representaciones mecánicas de los procesos biológicos subyacentes a la respuesta a enfermedades y tratamientos. Es de prever que, en los próximos a?os, se realicen avances notables.

El uso conjunto de la imagenología médica y el aprendizaje automático permite hacerse una idea detallada de la variabilidad fenotípica de los pacientes y de la evolución de la enfermedad que padecen. Esto complementa otras observaciones, como la caracterización de los virus, los perfiles genómicos y epigenómicos, la proteómica o las conclusiones de laboratorio, que muestran los procesos sistémicos. Los datos de imagenología médica se adquieren en grandes cantidades como parte de exámenes rutinarios. Conforme aumentan nuestros recursos para utilizar esta información, los modelos computacionales nos permiten hacernos una idea más detallada de la variabilidad de la información, los nuevos fenotipos pertinentes desde un punto de vista clínico y la relación entre el paciente, la enfermedad y el tratamiento.

Durante la pandemia de COVID-19, pocas semanas después de que se caracterizara el agente patógeno causante, se publicaron las conclusiones de distintas radiografías torácicas e imágenes de TC y se determinó que lo que mostraban las imágenes era característico de la COVID-19, y no tenía nada que ver con los síntomas clínicos relativamente inespecíficos de las enfermedades respiratorias. Lo que se observaba en las radiografías era algo nunca visto y la TC se erigió, en las primeras fases de la pandemia, en un instrumento de diagnóstico. A medida que fue posible hacerse pruebas, el papel de la TC cambió, y pasó de apoyar el diagnóstico a ayudar en el tratamiento y el manejo de los pacientes.

Esto muestra que, a la hora de gestionar la transición de futuras enfermedades zoonóticas a pandemias, la inteligencia artificial podría servir para detectar de manera precoz el fenotipo de una nueva enfermedad en la población clínica y formular, en una fase temprana, orientaciones eficaces sobre el tratamiento de los pacientes.

El desafío que plantea la posibilidad de que una enfermedad zoonótica se convierta en una pandemia es que, a primera vista, no parece que el paradigma del aprendizaje a partir de los ejemplos sea aplicable en ese caso. Carecemos de a?os de observaciones para ense?ar a una máquina, y no sabemos qué estamos buscando cuando tratamos de detectar una nueva enfermedad o un brote de una variante. Esto otorga al aprendizaje automático un importante papel en el terreno del descubrimiento y la identificación de las relaciones observadas en una población heterogénea de pacientes.

En primer lugar, la detección de anomalías (patrones de imagen, sus configuraciones o su presencia conjunta en conclusiones que no se han obtenido mediante imagenología) está cobrando importancia en la comunidad del aprendizaje automático. Métodos como el de las redes generativas antagónicas pueden aprender de qué manera varía una imagen en una población controlada, lo que hace posible detectar una novedad, aun cuando no se disponga de datos de capacitación etiquetados. Actualmente, este método se emplea para ampliar nuestros conocimientos sobre los marcadores, pero también podría permitir identificar nuevos fenotipos emergentes.

En segundo lugar, los modelos de aprendizaje automático podrían ser un medio eficaz para comprender mejor la relación entre las características observadas en el paciente, la evolución de la enfermedad y las necesidades de tratamiento y la respuesta a este, a partir de casos precedentes en la población ordinaria, antes de formular prácticas óptimas. Esto podría ayudar a determinar un tratamiento eficaz y resultar útil para formular directrices en la fase temprana de una pandemia.

Antes de poder usar de manera eficaz la inteligencia artificial y la imagenología para hacer frente a futuras enfermedades zoonóticas, tenemos que superar varios obstáculos. Durante la pandemia de COVID-19, las barreras que prohíben el ágil intercambio de datos clínicos (e imagenológicos) y su puesta a disposición de la comunidad de investigadores han debilitado la eficacia y la solidez de los modelos de aprendizaje automático resultantes. Necesitamos recopilar y tratar esos datos a escala mundial de manera rápida y transparente para ponerlos al alcance de la comunidad de investigadores. El intercambio de datos y de valores de referencia tiene un efecto catalizador en la velocidad y la calidad del desarrollo.

En lo que se refiere a la investigación metodológica, debemos promover nuestra capacidad para hacer frente a los sesgos y a los factores de confusión en los datos, debidos a la heterogeneidad y la diversidad de nuestro planeta. Los modelos de aprendizaje automático no solo tienen que repetir resultados; también han de ser modelos justos que separen las relaciones biológicas de decisiones subóptimas y posiblemente sesgadas sobre el tratamiento. Debemos asegurarnos de que el entrenamiento de los modelos se base en conjuntos de datos inclusivos que beneficien a la población en sentido amplio y que no excluyan a comunidades, regiones o grupos individuales.

Por último, debemos atraer a toda la comunidad del aprendizaje automático para asegurarnos de que apoyamos y servimos de fuente de inspiración a mentes innovadoras de todo el mundo para hacer frente al desafío que supone transformar observaciones en herramientas que nos permitan detectar antes enfermedades zoonóticas emergentes, así como manejar mejor las que ya conocemos. La comunidad puede contribuir a encontrar programas terapéuticos mejores y más precisos para ayudar a cada paciente y desarrollar técnicas que aceleren el dise?o de terapias nuevas e innovadoras.

Georg Langs es el Jefe del Laboratorio de Investigación sobre Imagenología Computacional del Departamento de Imagenología Biomédica y Tratamiento guiado por Imágenes, Universidad Médica de Viena. Catedrático e investigador en la esfera de la inteligencia artificial y su aplicación en la medicina el Sr. Langs también forma parte del Grupo Medical Vision, del Laboratorio de Ciencias Informáticas e Inteligencia Artificial del Instituto Tecnológico de Massachusetts (MIT).