IA en imágenes: todo lo que un radiólogo debería saber hoy

El Dr. Ariel Miquelini es radiólogo y, además, desarrollador de sistemas de inteligencia artificial. En esta entrevista ordena los fundamentos que todo especialista debería manejar: qué aprende un modelo, dónde falla, cómo se construye y se valida, y por qué tanto desarrollo todavía no se traduce en uso. 

Hay mucha inteligencia artificial desarrollada para el diagnóstico por imágenes y todavía muy poca en uso real. Esa distancia entre lo que existe y lo que llega a la práctica es el punto de partida del Dr. Ariel Miquelini, que reúne dos miradas poco frecuentes en la misma persona, la del médico especialista en diagnóstico por imágenes y la del programador que desarrolla estos sistemas. Desde ahí ordena lo que un radiólogo debería tener claro sobre cómo funcionan, cómo se construyen y por qué cuesta tanto que lleguen al trabajo diario. 

Qué es y qué aprende un modelo

"Básicamente son sistemas entrenados por humanos, es software", define Miquelini. Aprenden patrones a partir de ejemplos y los asocian al resultado que se espera de ellos. No razonan como un médico. "No fue entrenado como un humano, desde los fundamentos de la medicina, interpretando la historia clínica, integrando el laboratorio y los antecedentes del paciente", señala. Esa integración del cuadro clínico sigue siendo del especialista. 

Dónde falla

El límite aparece apenas el modelo se aleja de los casos con los que fue entrenado. "Cuando uno los saca de su lugar de confort, que es el dataset con el que fueron entrenados, empiezan a fallar", explica. Lo ilustra con un caso: un modelo entrenado para detectar un infarto cerebral aprende a reconocer una hiperintensidad en la secuencia de difusión, y si aparece otra lesión con esa misma característica, puede proponer un infarto donde no lo hay. El modelo reconoce cómo se ve una lesión, no qué la causó, y por eso puede confundir dos hallazgos que se parecen en la imagen. El médico los diferencia porque suma el resto de la información del paciente. 

Cómo se arma un sistema desde cero

Detrás de cada herramienta hay un equipo donde conviven informáticos, ingenieros y científicos de datos con los médicos que conocen el problema a resolver. El mayor costo está en los datos. "Conseguir datos de buena calidad es gran parte del desarrollo", señala Miquelini. Curar un dataset implica anonimizar las imágenes, cuidar la privacidad de los pacientes y cumplir con lo regulatorio. Después viene el etiquetado. Si se busca un nódulo en una tomografía de tórax, hay que marcarle al modelo dónde está, con una caja sobre la imagen o con una segmentación píxel a píxel, corte por corte. Recién entonces se elige la arquitectura, que para una imagen suele ser una red neuronal convolucional, y se la entrena con herramientas de acceso libre, casi siempre en Python, sobre cómputo en la nube o local.

Cómo se valida y se aprueba

No alcanza con que un modelo funcione en el laboratorio. Cuando la tarea es delimitar un hallazgo, como segmentar ese nódulo, su rendimiento se mide con una métrica de solapamiento llamada DICE, que compara lo que el sistema marcó con lo que un profesional había señalado como correcto. Pero el punto central es la validación. "Siempre funcionan muy bien con el conjunto de datos que se selecciona originalmente", advierte Miquelini, y por eso un modelo necesita probarse con casos externos, de poblaciones distintas, y con una validación clínica que mida cuánto mejora la tarea en el uso diario. El último paso es la aprobación de la entidad regulatoria, la ANMAT en el país, la FDA o su par europea, que le da al software el sello de seguridad para el paciente,empezando por el principio de no dañar. 

Por qué la adopción clínica va más despacio que el desarrollo 

Para Miquelini, el verdadero cuello de botella está en otra parte. Las publicaciones sobre inteligencia artificial en imágenes crecen año tras año, pero ese volumen no se traslada al uso diario. "Hay mucho investigado, mucho hecho, no tanto tal vez aprobado por entidades regulatorias, pero poco en uso", resume. El problema es la implementación, lo que él llama la bajada a tierra del software en el lugar de trabajo. Pesan la heterogeneidad de los PACS y los RIS, los intereses comerciales y la dificultad concreta de incorporar la herramienta sin que entorpezca la tarea del radiólogo. "Uno tiene que observar que ayude realmente en el proceso y no enlentezca ni entorpezca la tarea del radiólogo", plantea. Por eso, para él, el desafío que sigue pendiente es lograr que todo lo que ya está desarrollado llegue de verdad al trabajo del radiólogo.