Edición Médica

El modelo se usaría como soporte a los profesionales de la salud.

Redacción. Bogotá
Un equipo de investigadores de la Universidad Nacional de Colombia (UNAL) ha desarrollado un sistema de inteligencia artificial (IA) capaz de analizar millones de imágenes médicas y datos clínicos para ofrecer diagnósticos precisos y explicables, lo que representa un avance significativo en el apoyo al personal sanitario en la detección temprana y el tratamiento de enfermedades como la retinopatía diabética y el cáncer de próstata.
 
Liderado por el ingeniero Santiago Toledo Cortés, doctor en Ingeniería - Sistemas y Computación, y el profesor Fabio González, experto en aprendizaje computacional, el proyecto se ha enfocado en superar las limitaciones de los modelos de IA tradicionales al proporcionar no solo una clasificación de las imágenes médicas, sino también detalles sobre la probabilidad y el grado de avance de la enfermedad.
   

Diagnóstico temprano de la retinopatía diabética
 
La retinopatía diabética es una de las principales causas de ceguera y su detección oportuna es esencial para prevenir la pérdida de visión. El modelo desarrollado por la UNAL analiza imágenes de fondo de ojo y clasifica la gravedad de la enfermedad en una escala de cinco etapas, desde la ausencia de afectación hasta la retinopatía avanzada.
 
Según ha indicado el ingeniero Toledo, esta herramienta podría ayudar a los oftalmólogos a monitorear la progresión de la enfermedad y ajustar los tratamientos con mayor precisión, lo que resulta especialmente valioso en un contexto donde la escasez de especialistas y equipos retrasa los diagnósticos.
 
Avances en el diagnóstico del cáncer de próstata
El equipo también aplicó el modelo a la detección del cáncer de próstata, la segunda causa de muerte por cáncer en hombres a nivel mundial. En este contexto, el análisis de imágenes histopatológicas, que suele ser subjetivo y complejo, se facilita mediante la IA, que evalúa la presencia de células cancerosas y determina el grado de afectación.
 
Según han resaltado los investigadores, la capacidad de los modelos para integrar múltiples fuentes de información, como imágenes histopatológicas y registros clínicos, mejora la precisión de los diagnósticos y reduce la variabilidad en la interpretación de los resultados.
 
Diagnósticos explicables
 
Los modelos desarrollados por los investigadores de la UNAL han implementado un enfoque multimodal, lo que les permite analizar diferentes tipos de datos simultáneamente. Además, utilizan un "enfoque de regresión ordinal" para determinar el grado de avance de la enfermedad en una escala, en lugar de una simple clasificación binaria. Para aumentar la precisión, también se aplicaron principios de mecánica cuántica, proporcionando un marco matemático para manejar la incertidumbre en los diagnósticos.
 
A diferencia de muchos modelos de aprendizaje profundo, los desarrollados por Toledo y González no solo proporcionan predicciones, sino que también pueden explicar sus decisiones, identificando casos similares en su base de datos de entrenamiento para aumentar la confianza en sus resultados. Esta característica es especialmente relevante en aplicaciones médicas donde la confianza y la explicabilidad son cruciales para los profesionales de la salud.
 
Futuras aplicaciones
 
Aunque el estudio se centró en la retinopatía diabética y el cáncer de próstata, los investigadores han destacado que su enfoque podría adaptarse a una amplia variedad de aplicaciones médicas que requieren la interpretación de imágenes y datos clínicos. Con una base de datos de aproximadamente 80.000 imágenes para la retinopatía diabética y 141 imágenes histopatológicas para el cáncer de próstata, los modelos demostraron ser efectivos en escenarios con diferentes volúmenes de datos.
 
Este desarrollo representa un avance prometedor en la integración de la IA en la Medicina, con el potencial de mejorar significativamente la calidad del diagnóstico y la atención al paciente. La capacidad de los modelos para proporcionar diagnósticos explicables y precisos refuerza su utilidad como herramienta complementaria para los profesionales de la salud, contribuyendo a la detección temprana y al manejo adecuado de diversas patologías que afectan a millones de personas en todo el mundo.

---