PathMBA Vault

Innovación

La IA cambiará la radiología, pero no sustituirá a los radiólogos

por Thomas H. Davenport, Keith J. Dreyer, DO

La IA cambiará la radiología, pero no sustituirá a los radiólogos

mar18-27-GettyImages-523025750-CorbisVCG

Corbis/VCG/Getty Images

Los recientes avances en la inteligencia artificial han llevado a especular que la IA podría algún día reemplazar a los radiólogos humanos. Los investigadores han desarrollado redes neuronales de aprendizaje profundo que pueden identificar patologías en las imágenes radiológicas, como fracturas óseas y lesiones potencialmente cancerosas, en algunos casos de forma más fiable que un radiólogo normal. Sin embargo, en su mayor parte, los mejores sistemas están actualmente a la par con el rendimiento humano y solo se utilizan en entornos de investigación.

Dicho esto, el aprendizaje profundo avanza rápidamente y es una tecnología mucho mejor que los enfoques anteriores del análisis de imágenes médicas. Probablemente esto presagie un futuro en el que la IA desempeñe un papel importante en la radiología. La práctica radiológica sin duda se beneficiaría de sistemas que pudieran leer e interpretar varias imágenes con rapidez, porque el número de imágenes ha aumentado mucho más rápido en la última década que el número de radiólogos. Se pueden tomar cientos de imágenes de una enfermedad o lesión de un paciente. Las imágenes y la radiología son caras, y cualquier solución que pueda reducir la mano de obra humana, reducir los costes y mejorar la precisión del diagnóstico beneficiaría tanto a los pacientes como a los médicos.

¿Qué significa esto para los radiólogos? Según se informa, algunos estudiantes de medicina han decidido no especializarse en radiología porque temen que el puesto deje de existir. Sin embargo, confiamos en que la gran mayoría de los radiólogos seguirán teniendo trabajo en las próximas décadas, trabajos que la IA alterará y mejorará. Uno de nosotros (Keith) es radiólogo e investigador de inteligencia artificial, y el otro (Thomas) ha investigado la el impacto de la IA en los empleos durante varios años. Vemos varias razones por las que los radiólogos no van a desaparecer de la fuerza laboral, que describimos a continuación. También creemos que varios de estos factores inhibirán la automatización a gran escala de otros trabajos supuestamente amenazados por la IA.

Centro de información

En primer lugar, los radiólogos hacen más que leer e interpretar imágenes. Al igual que otros sistemas de IA, los sistemas de IA de radiología realizan tareas únicas (IA limitada). Los modelos de aprendizaje profundo que mencionamos están diseñados para tareas específicas de reconocimiento de imágenes (como la detección de nódulos en la tomografía computarizada del tórax o la hemorragia en la resonancia magnética cerebral). Pero se necesitan miles de tareas de detección tan limitadas para identificar completamente todos los posibles hallazgos en las imágenes médicas, y la IA solo puede realizar unas pocas de ellas en la actualidad. Además, el trabajo de interpretación de imágenes abarca solo un conjunto de tareas que realizan los radiólogos. También consultan con otros médicos sobre el diagnóstico y el tratamiento, tratan enfermedades (por ejemplo, ofrecen terapias ablativas locales), realizan intervenciones médicas guiadas por imágenes (radiología intervencionista), definen los parámetros técnicos de los exámenes por imágenes que se van a realizar (adaptados al estado del paciente), relacionan los hallazgos de las imágenes con otros historiales médicos y resultados de las pruebas, discuten los procedimientos y los resultados con los pacientes y muchas otras actividades. Incluso en el improbable caso de que la IA se hiciera cargo de la lectura e interpretación de imágenes, la mayoría de los radiólogos podrían centrar su atención en estas otras actividades esenciales.

En segundo lugar, los procesos clínicos para emplear el trabajo de imagen basado en la IA están muy lejos de estar preparados para su uso diario. Las investigaciones de Dreyer con el Instituto de Ciencia de Datos en el Colegio Estadounidense de Radiología (ACR) descubrió que los diferentes proveedores de tecnología de imagen y algoritmos de aprendizaje profundo se centran en diferentes aspectos de los casos de uso que abordan. Incluso entre los detectores de nódulos basados en el aprendizaje profundo que están aprobados por la FDA, había diferentes focos: la probabilidad de una lesión, la probabilidad de cáncer, la característica del nódulo o su ubicación. Estos enfoques distintos dificultarían mucho la integración de los sistemas de aprendizaje profundo en la práctica clínica actual. Por lo tanto, la ACR está empezando a definir las entradas y salidas para los proveedores de software de aprendizaje profundo. La FDA exige, y la ACR proporciona metodologías para que los vendedores verifiquen la eficacia y el valor de los algoritmos antes y después de su comercialización. Al mismo tiempo, la ACR está trabajando para crear una colección completa de casos de uso (por parte del cuerpo, modalidad y tipo de enfermedad) para los que el proceso clínico, los requisitos de imagen y la explicación de los resultados estén bien definidos y sean coherentes con las prácticas clínicas actuales y futuras. Por supuesto, crear una colección completa de casos de uso llevará muchos años, lo que ampliará aún más el papel de los radiólogos en el mundo de la IA.

En tercer lugar, los algoritmos de aprendizaje profundo para el reconocimiento de imágenes deben entrenarse con «datos etiquetados». En radiología, esto significa imágenes de pacientes que han recibido un diagnóstico definitivo de cáncer, una fractura de hueso u otra patología. En otros tipos de reconocimiento de imágenes en los que el aprendizaje profundo ha alcanzado altos niveles de éxito, se ha entrenado con millones de imágenes etiquetadas, como fotos de gatos en Internet. Pero no hay ningún depósito agregado de imágenes de radiología, etiquetadas o no. Son propiedad de vendedores, hospitales y médicos, centros de diagnóstico por imágenes y pacientes, y recopilarlos y etiquetarlos para acumular una masa crítica para el entrenamiento de la IA será un desafío y llevará mucho tiempo.

Por último, así como está claro que los vehículos autónomos requerirán cambios en la normativa y el seguro de los automóviles, se necesitarán cambios en el reglamento médico y el seguro médico para que el análisis automático de imágenes despegue. ¿Quién es responsable, por ejemplo, si una máquina diagnostica mal un caso de cáncer: el médico, el hospital, el proveedor de tecnología de imagen o el científico de datos que creó el algoritmo? ¿Y los pagadores de la atención médica reembolsarán un diagnóstico de IA como un solo par de ojos o como un segundo conjunto en combinación con un radiólogo humano? Hay que resolver todos estos problemas y es poco probable que se avance tan rápido como lo hace la investigación sobre aprendizaje profundo en el laboratorio. Es posible que las máquinas de radiología de IA tengan que ser sustancialmente mejores que las de los radiólogos humanos —no solo tan buenas— para impulsar los cambios normativos y de reembolso necesarios.

Debe quedar claro, entonces, que la próxima vez que se haga una mamografía o una resonancia magnética, es poco probable que sus imágenes solo las vea un algoritmo de IA. Los radiólogos, como los abogados, los planificadores financieros, los contadores y otros profesionales que ven que algunas tareas laborales las realizan máquinas inteligentes, encontrarán cambios en sus trabajos actuales, en lugar de sustituirlos.

Por eso, tendrán que adoptar nuevas habilidades y procesos de trabajo. Como uno entrada de blog ponerla, los únicos radiólogos cuyo trabajo puede verse amenazado son los que se niegan a trabajar con la IA. La integración de la IA en la práctica radiológica ofrece importantes beneficios médicos y de productividad. Las mejoras en la productividad pueden incluso significar que los radiólogos pueden dedicar más tiempo a lo que muchos de ellos encuentran más satisfactorio: consultar con otros médicos sobre el diagnóstico y las estrategias de tratamiento. Si se hacen realidad las mejoras previstas en el análisis de imágenes con aprendizaje profundo, los proveedores, los pacientes y los pagadores se inclinarán por los radiólogos que han descubierto cómo trabajar de forma eficaz junto con la IA.