Webinar

Luchar contra el cáncer cervical con Inteligencia Artificial

Kelwin · 25 de agosto de 2020

En caso de que te lo hayas perdido. A continuación encontrarás nuestra webinar sobre el Symposium on Bioengineering 2020 en FEUP. También respondemos a algunas preguntas que no tuvimos tiempo de responder durante la charla.

Resumen

A pesar de ser fácilmente prevenible, el cáncer cervical sigue siendo una de las principales causas de muerte entre las mujeres, siendo la razón principal la accesibilidad limitada a programas de detección de alta calidad para pacientes en ubicaciones remotas. La Inteligencia Artificial y la Computación Móvil están transformando la forma en que prestamos atención a los pacientes, permitiendo que las poblaciones vulnerables tengan acceso a estos servicios. En esta charla, analizaremos cómo estamos utilizando Deep Learning para luchar contra el cáncer cervical junto con MobileODT, una empresa con sede en Israel que trabaja para dotar a todos los proveedores de salud, en cualquier lugar, de las herramientas más avanzadas para salvar la máxima cantidad de vidas, en el menor tiempo posible. Abordaremos tanto los desafíos técnicos como sociales de este viaje, desde el proceso de recopilación de datos hasta la validación adecuada de la tecnología.

Conteúdo incorporado

¿Quieres profundizar en esta idea?

Solicita una reunión con Kelwin Fernandes

Conoce a Kelwin Más información

Sesión de Preguntas y Respuestas

¿Cómo fue el proceso de introducción de este dispositivo en los países que mostraste? ¿Fue fácil acercarse a los gobiernos y qué disposición tuvieron?
- No participé en esta parte. Sin embargo, puedo decirte que el proceso se realizó de uno en uno, con mucho trabajo y perseverancia. MobileODT cuenta con equipos dedicados exclusivamente a este tema. También tienen equipos regionales que manejan las especificidades locales, así como equipos regulatorios. Para más información, puedes contactar con MobileODT y consultar su blog.
Desde tu perspectiva, ¿cuál fue el factor determinante en el éxito de este proyecto?
- El factor determinante en estas aplicaciones siempre es no técnico. Fueron las personas detrás del proyecto, los médicos y enfermeros en el terreno, MobileODT en su totalidad, y la comunidad investigadora. Desde el punto de vista técnico, el colposcopio EVA fue crucial como dispositivo móvil que puede llevarse a ubicaciones remotas.
¿Cuál es tu postura respecto a extender esta Inteligencia Artificial al tratamiento de otros trastornos? Es decir, ¿crees en la creación de un asistente diagnóstico de IA super especializado?
- No creo que los avances actuales en Deep Learning nos lleven a esa IA super especializada. Te sugiero que leas "The Book of Why" de Judea Pearl e "AI Compatible" de Stuart Russell. Sin embargo, el deep learning ha reducido el coste de entrada para construir modelos que cierren vacíos locales en el proceso de toma de decisiones. Por lo tanto, creo que a corto plazo podemos tener un ecosistema de sistemas CAD que interactúen entre sí para ofrecer una visión más holística del paciente. Hay múltiples desafíos que abordar, pero creo que es más viable que un único agente de IA super especializado en el ámbito sanitario. Si quieres conocer nuestra visión en esta área, lee nuestro anterior post sobre aplicaciones de IA en sanidad.
¿Cuáles son las principales limitaciones de aplicar estos marcos a otros tipos de cáncer o a otras imágenes médicas?
- Antes del deep learning, las principales limitaciones eran las 1000 decisiones que tomabas al construir el sistema. Ahora, las tres principales limitaciones son:
  - Datos: ¿Tienes suficientes datos? ¿Estos datos tienen algún sesgo? ¿Tienes etiquetas que estén fuertemente correlacionadas con tus KPIs?
  - Integración empresarial: ¿Dónde en el proceso de toma de decisiones o flujo de trabajo estás implementando tus modelos?
  - Conocimiento del dominio: ¿Qué conocimiento específico del dominio diferencia cada área y cómo podemos integrar esta información para que los modelos no tengan que aprenderla desde cero?
Las CNNs se han utilizado con muy buenos resultados para la clasificación de imágenes y píxeles en varios campos, pero con diferentes rangos de rendimiento alcanzable en las distintas aplicaciones médicas. Para esta, imágenes de histología para la detección del cáncer, ¿cuál es el error mínimo (es decir, error de Bayes, o mejor rendimiento posible) que esperas poder obtener? ¡Gracias!
- Ni siquiera sabemos cuál es la prevalencia real del cáncer cervical en el mundo. El mundo está poco medido en muchos aspectos. Por lo tanto, no estamos seguros de cuál sería el error mínimo a esperar, espero que sea lo suficientemente bajo para asegurar que un profesional principiante en una ubicación con pocos recursos pueda proporcionar el mismo nivel de atención que un colposcopista experto.
¿Has pensado en incorporar otros tipos de datos en el modelo de clasificación, como texto de historias médicas y datos personales de los pacientes?
- Sí, de hecho ya lo hemos hecho en nuestra investigación anterior. Hemos desarrollado modelos multimodales que, además de imágenes, incluyen otros registros médicos del paciente, factores de riesgo, entre otros. También hemos hecho esto no solo en la entrada sino también en la salida del modelo. Por ejemplo, incorporando tareas adicionales que pueden ser complementarias para apoyar la toma de decisiones.
Mencionaste el conjunto de datos que estabas utilizando. ¿Es ese conjunto de datos lo suficientemente grande para asegurar un diagnóstico de buena calidad?
- Hasta ahora, es el conjunto de datos más grande en el campo. Además, probablemente sea mayor que el número de pacientes que cualquier médico humano puede ver durante su vida laboral. La buena calidad va de la mano con la reproducibilidad, y la IA puede proporcionarla. En este sentido, realizamos algunos experimentos para validar el rendimiento de los modelos bajo varias condiciones adversas.
¿Serán los datos comprensibles para los médicos en estos países? ¿Y hay algún tipo de tratamiento allí o los pacientes, una vez diagnosticados, serán trasladados a otros países?
- En el lado técnico, siempre sugiero que los sistemas de IA vayan más allá de las predicciones (es decir, probabilidades, clases). Nos enfocamos en transformar predicciones en decisiones y decisiones en acciones. Aunque una puntuación puede ser un concepto abstracto para una audiencia no técnica, la evidencia que la respalda es una herramienta accionable. Por lo tanto, nos enfocamos en construir modelos de IA explicables (consulta nuestro último paper en el campo). Además, en este caso específico, MobileODT desarrolló el EVA Portal, donde los profesionales médicos pueden intercambiar opiniones con sus colegas, hacer preguntas, etc.
- El tratamiento se puede realizar en el punto de atención, los materiales tienen bajo coste y no requieren tecnología o infraestructura importante.
¿Qué estás haciendo para aumentar la interpretabilidad de los modelos de clasificación que estás utilizando?
- Hemos publicado un par de papers en este dominio para que los CNN proporcionen explicaciones, junto con FEUP e INESC TEC. Puedes verlos aquí:
¿Cuáles son las principales tendencias en consultoría de IA en este momento?
- La principal tendencia en la consultoría de IA es el uso de modelos predefinidos, o como yo lo llamo, adaptar la empresa a la tecnología. Nuestro enfoque es todo lo contrario, adaptar la tecnología para que se ajuste a la empresa. Puedes ver algunos ejemplos de cómo lo hemos hecho en uno de nuestros posts anteriores en el blog.

Proyectos de interés

Si te interesa este campo y quieres saber qué se está haciendo en Portugal, te sugiero que sigas dos proyectos de investigación en el campo: