La aparición de todas estas técnicas ayuda a los médicos a diagnosticar y curar enfermedades. Sin embargo, no hay que olvidar que estas imágenes sólo muestran una parte de la realidad y que su interpretación es imprescindible. De hecho, la interpretación es un paso crítico en el diagnóstico por imagen y la preparación y experiencia del médico son de vital importancia.
Un sistema de Diagnóstico por Ordenador (OBD) tiene como objetivo ayudar al médico --normalmente radiólogo - a interpretar imágenes radiológicas. Las investigaciones sobre estos sistemas tienen su origen en la década de 1960, pero ahora es el momento en el que más impulso se está dando. En general, el desarrollo de un sistema OBD requiere la participación de un equipo multidisciplinar, ya que se utilizan los principios de inteligencia artificial para responder a preguntas biológicas mediante el procesamiento de imágenes digitales.
A menudo se utiliza para detectar tumores de cualquier tipo. Por ejemplo, pueden ayudar a diagnosticar el cáncer de mama en una mamografía o a buscar tumores milimétricos pulmonares en una imagen de Tomografía Axial Computerizada (TAC). Tomaremos este último ejemplo para ver con más detalle la utilidad de un DBO.
Una figura TC pulmonar actual nos muestra la morfología de este órgano con una precisión aproximada de un milímetro. Esta gran precisión implica un gran tamaño de las imágenes. No es raro conseguir alrededor de 400 cortes axiales (que separan el cuerpo de la cabeza a las piernas) de 512x512 píxeles por cada escáner. Cada una de estas 400 imágenes presenta una sección pulmonar, generalmente de un milímetro de espesor.
Si el radiólogo desea buscar un tumor en este gran conjunto de datos, deberá observar una a una las 400 secciones en busca de un objeto esférico de pocos milímetros. Un trabajo difícil, duro y de gran responsabilidad, sin duda. Por lo tanto, cualquier radiólogo sueña con un programa de ordenador que le permitiera leer la imagen completa y, en caso de que hubiera algún tumor, ubicarla y dimensionarla en pocos minutos. Pues bien, muchos grupos de científicos están trabajando en el mundo para hacer realidad este sueño y el objetivo no está tan lejos. Pero ¿cómo se puede conseguir algo así?
Preprocesamiento
El objetivo de este paso es adaptar las características de la imagen para las siguientes tareas. Por ejemplo, se pueden aplicar filtros para reducir el ruido de fondo de la imagen o reducir el tamaño (número de píxeles) para reducir la complejidad de los algoritmos que se aplicarán posteriormente.
Segmentación de las áreas a analizar
Antes de pasar a estudios específicos es necesario dividir la imagen en varios apartados. Por ejemplo, para que el sistema OBD pueda buscar tumores en los pulmones, primero debe encontrar pulmones. Las estrategias de segmentación son diversas y se publican mensualmente en revistas especializadas como el IEEE Transactions on Medical Imaging.
Una u otra técnica se utiliza en función de las características de la imagen y de la parte que se quiere segmentar. Si el contraste entre la parte que queremos separar y el resto de la imagen es grande, como suele ser habitual en las imágenes pulmonares, podemos basarnos en la intensidad de los píxeles para realizar la segmentación. Así, al aparecer el aire más oscuro que los materiales del cuerpo, se utilizará esta información para separar los pulmones.
Por el contrario, la próstata y otros órganos similares se encuentran entre tejidos similares. La segmentación de la próstata es hoy un paso obligado en la planificación radioterápica. En estos casos, en lugar de basarse en la intensidad de los píxeles, el programa puede 'aprender' las formas y posibles localizaciones de la próstata a partir de imágenes previamente segmentadas. Este conjunto de imágenes que servirán de referencia se denominan atlas. De esta manera, el DBO tratará de adaptar esas formas y ubicaciones estudiadas a la nueva imagen y como resultado ofrecerán al médico una segmentación de la próstata. Esta propuesta puede no ser del todo correcta, por lo que normalmente el médico podrá corregirla manualmente.
Como se puede observar con estos dos ejemplos, la segmentación no es una tarea sencilla y debe ajustarse a cada aplicación. Muchas veces es imposible desarrollar sistemas totalmente automáticos, y a menudo la participación del usuario se hace necesaria.
Clasificación y evaluación
Este último paso también depende de los requerimientos de cada DBO. En general, los resultados finales serán la naturaleza, localización y tamaño de la patología buscada. Por ejemplo, en el caso del mencionado programa de detección de tumores pulmonares, los resultados de este paso serían la localización y tamaño de los tumores. En el caso de la interpretación de las mamografías, por el contrario, el programa marcaría zonas potencialmente afectadas por cáncer. Para realizar este trabajo se utilizan técnicas avanzadas de inteligencia artificial.
En resumen, el DBO analiza la parte de imagen segmentada en el segundo paso, en busca de zonas con características diferenciales de determinadas patologías. Estas características diferenciales se definen de forma directa e indirecta.
La opción transversal se basa en los principios de la inteligencia artificial. En definitiva, se trata de que los ordenadores aprendan por sí mismos utilizando ejemplos. Por ejemplo, podemos presentar cientos de tumores pulmonares diferentes al ordenador y otras partes del pulmón que no son tumores. El DBO analizará las características de todos estos apartados, tales como intensidad, derivados parciales, compacidad, estructura, etc. Y, por último, creará reglas para clasificar las partes de la imagen en función de todas estas características y para determinar si son o no tumores. Es decir, utilizará nuestros ejemplos como entrenamiento para aprender las características de los tumores.
Este último paso es de vital importancia ya que la diferencia entre la detección o no de un tumor es muy grande. Con las técnicas actuales es imposible conseguir una precisión del 100%. El principal problema es que el grado de sensibilidad y especificidad no puede ser simultáneamente muy alto. La sensibilidad es la probabilidad de encontrarlos en caso de que existan tumores, mientras que la especificidad es la probabilidad de clasificar correctamente lo no tumoral. Cuando se busca una mayor sensibilidad, necesariamente aumenta el número de falsos positivos. En consecuencia, actualmente no existe un DBO totalmente autónomo y todos los sistemas utilizados deben ser supervisados por un médico.
Los primeros OBD que se utilizaron en hospitales a nivel mundial fueron los sistemas de ayuda a la interpretación de mamografías, desde que en 1998 fueron oficialmente reconocidos en EEUU. Desde entonces se han utilizado principalmente en EEUU y Holanda. Se utilizan para emitir una segunda opinión, es decir, en lugar de sustituir al médico, ofrecen una segunda opinión.
Según estudios previos a la aprobación oficial, estos software reducían el porcentaje de tumores no detectados en mamografías. Sin embargo, según un estudio publicado en abril de 2007 en la prestigiosa revista The New England Journal of Medicine, esta mejora no es destacable en absoluto. Los investigadores analizaron los casos de 222.135 mujeres que fueron a realizar mamografías en EEUU entre 1998 y 2002. En los casos en los que se utilizó el sistema OBD, un 32% más de las mujeres llamaron para realizar un segundo estudio y un 20% más se sometió a una biopsia de mama. Sin embargo, por cada tumor descubierto por OBD, fueron 2.000 falsos positivos. Como indican los investigadores en las conclusiones del artículo, el DBO reduce considerablemente el grado de precisión en la interpretación de las mamografías y el aumento del número de biopsias no está asociado a un mayor grado de detección de tumores.
Los resultados netos del citado artículo han enfriado el optimismo sobre los OVD. Está claro que estos sistemas pueden ser de gran ayuda, pero antes de su implantación en los hospitales es necesario demostrar su utilidad mediante investigaciones fiables.
Además de los OBD para la interpretación de las mamografías, el Gobierno de EE.UU. ha autorizado durante los últimos meses software para el estudio de tumores pulmonares, siempre con el fin de utilizar estos software para emitir una segunda opinión. Es decir, los OBD siguen trabajando como 'ayudantes' y en ningún caso son capaces de sustituir al médico.
¿Pero serán capaces de hacerlo en el futuro? El desarrollo experimentado en este campo en los últimos años y el elevado número de investigadores en el mundo permiten predecir un rápido desarrollo de la diagnosis por ordenador, y es posible que estos sistemas puedan dar respuesta al trabajo médico en determinadas tareas antes de lo previsto. No obstante, inicialmente sólo se utilizarán para tareas muy concretas y siempre bajo supervisión médica. A medida que avanza la técnica, podrán asumir tareas cada vez más complejas y con menos supervisión. Los médicos pueden estar tranquilos, pero no perderán el trabajo. Y es que nadie se sentiría cómodo si al acudir al médico encontrase una pantalla de ordenador en lugar de una persona con delantal blanco.