Applying machine learning in otolaryngology and Gastroenterology: accelerating diagnostics through computer-assisted solutions

Abstract

Mejorar la práctica médica mediante la inteligencia artificial es una realidad. La evolución tecnológica ha facilitado la digitalización y optimización de grandes volúmenes de datos, incrementando a su vez la capacidad de procesamiento informático. Técnicas avanzadas como el aprendizaje automático y el aprendizaje profundo, ambos subcampos de la inteligencia artificial, han evolucionado para imitar al cerebro humano y realizar tareas de interpretación, reconocimiento y clasificación de datos. En medicina, el diagnóstico clínico es quizá la tarea más crítica en la que puede intervenir la inteligencia artificial porque de ella depende las decisiones posteriores que ayudarán a recuperar la salud de los pacientes. Muchas áreas de la medicina utilizan la interpretación de imágenes como fuente principal de información para realizar un diagnóstico, y para ello se requiere tanto una buena calidad de imagen como una interpretación precisa y razonable. Esta tesis propone el uso del diagnóstico –o detección– asistido por computador como componente clave para mejorar la interpretación de imágenes médicas, así como para agilizar el proceso diagnóstico, particularmente en aquellas áreas médicas de la atención primaria que se ven afectadas por la falta de especialistas. Con el objetivo de apoyar la toma de decisiones clínicas e incrementar la precisión diagnóstica con una confianza comparable a la de los expertos médicos, el sistema asistido por computador utiliza inteligencia artificial y se convierte en una herramienta de diagnóstico eficaz y precisa diseñada, implementada y validada en dos áreas médicas: gastroenterología y otorrinolaringología. En primer lugar, exploramos el enfoque de aprendizaje basado en características utilizando descriptores del contenido de la imagen y clasificadores tradicionales de aprendizaje automático. En gastroenterología, el sistema de detección automático de pólipos propuesto recibe como entrada una imagen endoscópica extraída del examen de colonoscopia y determina si la imagen contiene pólipos o no con un rendimiento promedio superior al 90%. Siguiendo este mismo enfoque, proponemos AMIRA, un sistema de asistencia al diagnóstico otológico, capaz de clasificar cuatro afecciones del oído a nivel de imagen. Este sistema puede utilizarse como herramienta de cribado en casos de hipoacusia conductiva. El sistema AMIRA fue extendido para cubrir hasta nueve patologías del oído medio y externo, y para ello se adoptó un enfoque de aprendizaje profundo que aborda una clasificación multiclase más compleja. En esta propuesta se analiza el video completo en lugar de una sola imagen, emulando el proceso de examinación que el especialista realiza durante el examen de otoscopia. Introducimos un esquema de aprendizaje híbrido que explota las ventajas de las redes neuronales convolucionales y recurrentes, considerando tanto la información espacial como temporal que proporciona el video. AMIRA alcanzó un alto desempeño, evaluado en un conjunto de prueba, con una precisión media de 91,65%, sensibilidad media de 89,78%, especificidad media de 98,67% y una puntuación F1 media de 90,30%. Hasta donde sabemos, AMIRA es el sistema capaz de predecir más diagnósticos de afecciones del oído conocido hasta la fecha. Los médicos generales o incluso los especialistas en otorrinolaringología podrían utilizar el sistema propuesto para una mejor toma de decisiones clínicas al utilizar el resultado que entrega AMIRA como una segunda opinión objetiva sobre la evaluación diagnóstica de una determinada patología del oído medio o externo.