A través del uso de redes neuronales convencionales profundas, los investigadores diseñaron un sistema que analiza de manera rápida imágenes de campo amplio de la piel pertenecientes a pacientes para detectar el cáncer de una forma más eficiente
Investigadores del Instituto Tecnológico de Massachusetts (MIT) diseñaron una nueva tubería de inteligencia artificial (IA), utilizando redes neuronales convolucionales profundas (DCNN) para ser aplicadas en el análisis de SPL mediante el uso de la fotografía de campo amplio, común en la mayoría de los teléfonos inteligentes y cámaras personales, la cual es capaz de detectar melanomas en la piel.
Las DCNN son redes neuronales que se pueden usar para clasificar, o nombrar, imágenes para después agruparlas, proceso similar al que se realiza cuando se busca una foto. Estos algoritmos de aprendizaje automático pertenecen al subconjunto del aprendizaje profundo.
Utilizando cámaras para fotografías de campo amplio de grandes áreas del cuerpo de los pacientes, el programa usa DCNN para poder identificar y detectar de manera rápida y efectiva el melanoma en etapa temprana, según explicó Luis Soenksen, experto en dispositivos médicos que actualmente actúa como el primer Ventura Builder del MIT en IA y Salud.
Soenksen realizó el estudio junto a investigadores del MIT, incluidos los miembros de la facultad del Instituto de Ingeniería y Ciencias Médicas (IMES) del MIT Martha Gray, W. Kieckhefer de Ciencias de la Salud y Tecnología y James Collins.
“La detección temprana de SPL puede salvar vidas; sin embargo, todavía falta la capacidad actual de los sistemas médicos para proporcionar exámenes de detección completos de la piel a escala”, indicó Soenksen en el artículo titulado “Uso del aprendizaje profundo para la detección a nivel dermatólogo de lesiones cutáneas pigmentadas sospechosas a partir de imágenes de campo amplio”, publicado em Science Translational Medicine.
En el documento se describe el desarrollo de un sistema de análisis SPL que utiliza DCNN para identificar de manera más rápida y eficiente las lesiones cutáneas que requieren más investigación, exámenes de detección que se pueden realizar durante las visitas de atención primaria de rutina o incluso por los propios pacientes. El sistema utilizó DCNN para optimizar la identificación y clasificación de SPL en imágenes de campo amplio.
Haciendo uso de la IA, los investigadores entrenaron el sistema utilizando un aproximado de 20.388 imágenes de campo amplio de 133 pacientes en el Hospital Gregorio Marañón de Madrid, así como también imágenes disponibles públicamente. Dichas imágenes fueron tomadas con una variedad de cámaras ordinarias que están fácilmente disponibles para los consumidores. Los dermatólogos que trabajaron con los investigadores clasificaron visualmente las lesiones en las imágenes para compararlas.
De esta manera, descubrieron que el sistema logró una sensibilidad de más del 90,3% para distinguir los SPL de lesiones no sospechosas, piel y fondos complejos, al evitar la necesidad de imágenes de lesiones individuales engorrosas y que consumen mucho tiempo. El artículo presenta además un nuevo método para extraer la prominencia de lesiones intra-paciente.
“Nuestra investigación sugiere que los sistemas que aprovechan la visión artificial y las redes neuronales profundas, cuantificando estos signos comunes, pueden lograr una precisión comparable a la de los dermatólogos expertos. Esperamos que nuestra investigación revitalice el deseo de ofrecer exámenes dermatológicos más eficientes en los entornos de atención primaria para generar referencias adecuadas”, explica Soenksen.
Hacerlo permitiría evaluaciones más rápidas y precisas de SPLS y podría conducir a un tratamiento más temprano del melanoma, según los investigadores.
