Las imágenes de la retina permiten a los investigadores y médicos observar pequeños vasos sanguíneos cuya condición podría indicar un problema de atención médica. Crédito: ipm/Alamy

La IA detecta enfermedades oculares y el riesgo de Parkinson a partir de imágenes de retina

Los investigadores han desarrollado un modelo entrenado de manera similar a ChatGPT que puede adaptarse para evaluar múltiples condiciones de salud.

Mariana Lenharo

Los científicos han desarrollado una herramienta de inteligencia artificial (IA) capaz de diagnosticar y predecir el riesgo de desarrollar múltiples afecciones de salud, desde enfermedades oculares hasta insuficiencia cardíaca y la enfermedad de Parkinson, todo ello basándose en las imágenes de la retina de las personas.

Las herramientas de inteligencia artificial han sido entrenadas anteriormente para detectar enfermedades utilizando imágenes de la retina, pero lo que hace que la nueva herramienta, llamada RETFound, sea especial es que se desarrolló utilizando un método conocido como aprendizaje auto supervisado. Esto significa que los investigadores no tuvieron que analizar cada uno de los 1,6 millones de imágenes de retina utilizadas para el entrenamiento y etiquetarlas, por ejemplo, como “normales” o “patológicas”. Estos procedimientos consumen mucho tiempo y son costosos, y son necesarios durante el desarrollo de la mayoría de los modelos estándar de aprendizaje automático.

En cambio, los científicos utilizaron un método similar al utilizado para entrenar modelos de lenguaje grande como ChatGPT. Esa herramienta de inteligencia artificial aprovecha innumerables ejemplos de texto generado por humanos para aprender a predecir la siguiente palabra en una oración a partir del contexto de las palabras anteriores. Del mismo modo, RETFound utiliza una multitud de fotografías de retina para aprender a predecir cómo deberían verse las partes faltantes de las imágenes.

A lo largo de millones de imágenes, el modelo aprende de alguna manera cómo es la retina y cuáles son todas sus características”, explica Pearse Keane, oftalmólogo del Moorfields Eye Hospital NHS Foundation Trust en Londres, coautor de un artículo, publicado hoy en Nature que describe la herramienta. Esto constituye la piedra angular del modelo y lo clasifica como lo que algunos llaman modelo básico, lo que significa que puede adaptarse para muchas tareas.

Una ventana a la salud humana

Las retinas de una persona pueden ofrecer una ventana a su salud, porque son la única parte del cuerpo humano a través de la cual se puede observar directamente la red capilar, formada por los vasos sanguíneos más pequeños. “Si tiene alguna enfermedad cardiovascular sistémica, como hipertensión, que afecta potencialmente a todos los vasos sanguíneos de su cuerpo, podemos visualizar [eso] directamente en imágenes de la retina”, sostiene Keane.

Las retinas también son una extensión del sistema nervioso central y comparten similitudes con el cerebro, lo que significa que las imágenes de la retina se pueden utilizar para evaluar el tejido neural. “El problema es que muchas veces la gente no tiene la experiencia necesaria para interpretar estos escáneres. Aquí es donde entra en juego la IA”, afirma Keane.

Una vez que habían entrenado previamente a RETFound en esos 1,6 millones de imágenes de retina sin etiquetar, Keane y sus colegas pudieron introducir una pequeña cantidad de imágenes etiquetadas (digamos, 100 imágenes de retina de personas que habían desarrollado Parkinson y 100 de personas que no lo habían desarrollado) para enseñar el modelo sobre condiciones específicas. Habiendo aprendido de todas las imágenes sin etiquetar cómo debería verse una retina, dice Keane, el modelo puede aprender fácilmente las características de la retina asociadas con una enfermedad.

El uso de datos sin etiquetar para entrenar inicialmente el modelo “desbloquea un importante cuello de botella para los investigadores”, afirma Xiaoxuan Liu, investigador clínico que estudia la innovación responsable en IA en la Universidad de Birmingham, Reino Unido. El radiólogo Curtis Langlotz, director del Centro de Inteligencia Artificial en Medicina e Imágenes de la Universidad de Stanford, en California, está de acuerdo. “Las etiquetas de alta calidad para datos médicos son extremadamente caras, por lo que la eficiencia de las etiquetas se ha convertido en la moneda del sector”, afirma.

El sistema funcionó bien en la detección de enfermedades oculares como la retinopatía diabética. En una escala donde 0,5 representa un modelo que no funciona mejor que una predicción aleatoria y 1 representa un modelo perfecto que hace una predicción precisa cada vez, obtuvo una puntuación de entre 0,822 y 0,943 para la retinopatía diabética, según el conjunto de datos utilizado. Al predecir el riesgo de enfermedades sistémicas (como ataques cardíacos, insuficiencia cardíaca, accidente cerebrovascular y Parkinson), el rendimiento general fue limitado, pero aún superior al de otros modelos de IA.
RETFound es hasta ahora una de las pocas aplicaciones exitosas de un modelo básico para imágenes médicas, dice Liu.

Aplicaciones en expansión

Los investigadores ahora están analizando a qué otros tipos de imágenes médicas podrían aplicarse las técnicas utilizadas para desarrollar RETFound. “Será interesante ver si estos métodos se generalizan a imágenes más complejas”, dice Langlotz, por ejemplo, a imágenes de resonancia magnética o tomografías computarizadas, que a menudo son tridimensionales o incluso cuatridimensionales.

Los autores han puesto el modelo a disposición del público y esperan que grupos de todo el mundo puedan adaptarlo y entrenarlo para que funcione en sus propias poblaciones de pacientes y entornos médicos. “Podrían tomar este algoritmo y perfeccionarlo, utilizando datos de su propio país para tener algo que esté más optimizado para su uso”, afirma Keane.

“Esto es tremendamente emocionante”, sostiene Liu, aunque utilizar RETFound como base para otros modelos para detectar enfermedades conlleva un riesgo, añade. Esto se debe a que cualquier limitación incorporada en la herramienta podría filtrarse a modelos futuros que se construyan a partir de ella. “Ahora depende de los autores de RETFound garantizar su uso ético y seguro, incluida la comunicación transparente de sus limitaciones, para que pueda ser un verdadero activo comunitario”.

Referencias

1. Zhou, Y. et al. Nature https://doi.org/10.1038/s41586-023-06555-x (2023).




El contenido al que intenta acceder no se encuentra disponible para su dispositivo.

En breve este contenido estará disponible.