Diagnóstico por computador: computadores médicos

2008/04/01 Artaetxebarria Artieda, Xabier - Telekomunikazio-ingeniaria Iturria: Elhuyar aldizkaria

• Teknologia
• Medikuntza
• Sariak

Sistemas OBD: que e paira que?

A ecografía, a radiografía, a resonancia magnética son moitas. Técnicas de imaxe médica desenvolvidas no século XX. Ademais da información anatómica, na actualidade somos capaces de observar procesos dinámicos como os movementos de compostos químicos a través da Tomografía de Emisión de Positrones (PET) dentro do corpo, ou a activación das partes do cerebro grazas á resonancia magnética funcional. Todo este hardware tivo un gran desenvolvemento no século pasado, e parece que seguirá así neste século.

A aparición de todas esta técnicas axuda aos médicos a diagnosticar e curar enfermidades. Con todo, non hai que esquecer que estas imaxes só mostran una parte da realidade e que a súa interpretación é imprescindible. De feito, a interpretación é un paso crítico no diagnóstico por imaxe e a preparación e experiencia do médico son de vital importancia.

Un sistema de Diagnóstico por Computador (OBD) ten como obxectivo axudar ao médico --normalmente radiólogo - a interpretar imaxes radiológicas. As investigacións sobre estes sistemas teñen a súa orixe na década de 1960, pero agora é o momento no que máis impulso se está dando. En xeral, o desenvolvemento dun sistema OBD require a participación dun equipo multidisciplinar, xa que se utilizan os principios de intelixencia artificial paira responder a preguntas biolóxicas mediante o procesamiento de imaxes dixitais.

A miúdo utilízase paira detectar tumores de calquera tipo. Por exemplo, poden axudar a diagnosticar o cancro de mama nunha mamografía ou a buscar tumores milimétricos pulmonares nunha imaxe de Tomografía Axial Computerizada (TAC). Tomaremos este último exemplo paira ver con máis detalle a utilidade dun DBO.

Una figura TC pulmonar actual móstranos a morfología deste órgano cunha precisión aproximada dun milímetro. Esta gran precisión implica un gran tamaño das imaxes. Non é raro conseguir ao redor de 400 cortes axiales (que separan o corpo da cabeza ás pernas) de 512x512 píxeles por cada escáner. Cada una destas 400 imaxes presenta una sección pulmonar, xeralmente dun milímetro de espesor.

Se o radiólogo desexa buscar un tumor neste gran conxunto de datos, deberá observar una a unha as 400 seccións en busca dun obxecto esférico de poucos milímetros. Un traballo difícil, duro e de gran responsabilidade, sen dúbida. Por tanto, calquera radiólogo soña cun programa de computador que lle permitise ler a imaxe completa e, no caso de que houbese algún tumor, situala e dimensionarla en poucos minutos. Pois ben, moitos grupos de científicos están a traballar no mundo paira facer realidade este soño e o obxectivo non está tan lonxe. Pero como se pode conseguir algo así?

Funcionamento de sistemas OBD

Como todos os traballos difíciles, o que parece imposible pódese conseguir dividindo en apartados máis sinxelos. Aínda que os sistemas OBD poden ser utilizados en moitas aplicacións, en xeral o seu funcionamento pode dividirse en tres pasos.

Preprocesamiento

O obxectivo deste paso é adaptar as características da imaxe paira as seguintes tarefas. Por exemplo, pódense aplicar filtros paira reducir o ruído de fondo da imaxe ou reducir o tamaño (número de píxeles) paira reducir a complexidade dos algoritmos que se aplicarán posteriormente.

Segmentación das áreas a analizar

Antes de pasar a estudos específicos é necesario dividir a imaxe en varios apartados. Por exemplo, para que o sistema OBD poida buscar tumores nos pulmóns, primeiro debe atopar pulmóns. As estratexias de segmentación son diversas e publícanse mensualmente en revistas especializadas como o IEEE Transactions on Medical Imaging.

Una ou outra técnica utilízase en función das características da imaxe e da parte que se quere segmentar. Se o contraste entre a parte que queremos separar e o resto da imaxe é grande, como adoita ser habitual nas imaxes pulmonares, podemos basearnos na intensidade dos píxeles paira realizar a segmentación. Así, ao aparecer o aire máis escuro que os materiais do corpo, utilizarase esta información paira separar os pulmóns.

Pola contra, a próstata e outros órganos similares atópanse entre tecidos similares. A segmentación da próstata é hoxe un paso obrigado na planificación radioterápica. Nestes casos, en lugar de basearse na intensidade dos píxeles, o programa pode 'aprender' as formas e posibles localizacións da próstata a partir de imaxes previamente segmentadas. Este conxunto de imaxes que servirán de referencia denomínanse atlas. Desta maneira, o DBO tratará de adaptar esas formas e localizacións estudadas á nova imaxe e como resultado ofrecerán ao médico una segmentación da próstata. Esta proposta pode non ser do todo correcta, polo que normalmente o médico poderá corrixila manualmente.

Como se pode observar con estes dous exemplos, a segmentación non é una tarefa sinxela e debe axustarse a cada aplicación. Moitas veces é imposible desenvolver sistemas totalmente automáticos, e a miúdo a participación do usuario faise necesaria.

Clasificación e avaliación

Este último paso tamén depende dos requirimentos de cada DBO. En xeral, os resultados finais serán a natureza, localización e tamaño da patoloxía buscada. Por exemplo, no caso do mencionado programa de detección de tumores pulmonares, os resultados deste paso serían a localización e tamaño dos tumores. No caso da interpretación das mamografías, pola contra, o programa marcaría zonas potencialmente afectadas por cancro. Paira realizar este traballo utilízanse técnicas avanzadas de intelixencia artificial.

En resumo, o DBO analiza a parte de imaxe segmentada no segundo paso, en busca de zonas con características diferenciais de determinadas patoloxías. Estas características diferenciais defínense de forma directa e indirecta.

De forma directa, as características establécense á hora de programar, paira o que se deben utilizar os coñecementos de médicos e programadores. Por exemplo, ao programa indicaráselle que os tumores de pulmón son xeralmente esféricos e compactos, para que busque na imaxe este tipo de características.

A opción transversal baséase nos principios da intelixencia artificial. En definitiva, trátase de que os computadores aprendan por si mesmos utilizando exemplos. Por exemplo, podemos presentar centos de tumores pulmonares diferentes ao computador e outras partes do pulmón que non son tumores. O DBO analizará as características de todos estes apartados, talles como intensidade, derivados parciais, compacidad, estrutura, etc. E, por último, creará regras paira clasificar as partes da imaxe en función de todas estas características e paira determinar si son ou non tumores. É dicir, utilizará os nosos exemplos como adestramento paira aprender as características dos tumores.

Este último paso é de vital importancia xa que a diferenza entre a detección ou non dun tumor é moi grande. Coas técnicas actuais é imposible conseguir una precisión do 100%. O principal problema é que o grao de sensibilidade e especificidad non pode ser simultaneamente moi alto. A sensibilidade é a probabilidade de atopalos no caso de que existan tumores, mentres que a especificidad é a probabilidade de clasificar correctamente o non tumoral. Cando se busca una maior sensibilidade, necesariamente aumenta o número de falsos positivos. En consecuencia, actualmente non existe un DBO totalmente autónomo e todos os sistemas utilizados deben ser supervisados por un médico.

DBO na realidade: será útil?

Os primeiros OBD que se utilizaron en hospitais a nivel mundial foron os sistemas de axuda á interpretación de mamografías, desde que en 1998 foron oficialmente recoñecidos en EEUU. Desde entón utilizáronse principalmente en EEUU e Holanda. Utilízanse paira emitir una segunda opinión, é dicir, en lugar de substituír ao médico, ofrecen una segunda opinión.

Segundo estudos previos á aprobación oficial, este software reducían a porcentaxe de tumores non detectados en mamografías. Con todo, segundo un estudo publicado en abril de 2007 na prestixiosa revista The New England Journal of Medicine, esta mellora non é destacable en absoluto. Os investigadores analizaron os casos de 222.135 mulleres que foron realizar mamografías en EEUU entre 1998 e 2002. Nos casos nos que se utilizou o sistema OBD, un 32% máis das mulleres chamaron paira realizar un segundo estudo e un 20% máis se someteu a unha biopsia de mama. Con todo, por cada tumor descuberto por OBD, foron 2.000 falsos positivos. Como indican os investigadores nas conclusións do artigo, o DBO reduce considerablemente o grao de precisión na interpretación das mamografías e o aumento do número de biopsias non está asociado a un maior grao de detección de tumores.

Os resultados netos do citado artigo arrefriaron o optimismo sobre os OVD. Está claro que estes sistemas poden ser de gran axuda, pero antes da súa implantación nos hospitais é necesario demostrar a súa utilidade mediante investigacións fiables.

Ademais dos OBD paira a interpretación das mamografías, o Goberno de EE.UU. autorizou durante os últimos meses software paira o estudo de tumores pulmonares, sempre co fin de utilizar este software paira emitir una segunda opinión. É dicir, os OBD seguen traballando como 'axudantes' e en ningún caso son capaces de substituír ao médico.

Pero serán capaces de facelo no futuro? O desenvolvemento experimentado neste campo nos últimos anos e o elevado número de investigadores no mundo permiten predicir un rápido desenvolvemento da diagnosis por computador, e é posible que estes sistemas poidan dar resposta ao traballo médico en determinadas tarefas antes do previsto. No entanto, inicialmente só se utilizarán paira tarefas moi concretas e sempre baixo supervisión médica. A medida que avanza a técnica, poderán asumir tarefas cada vez máis complexas e con menos supervisión. Os médicos poden estar tranquilos, pero non perderán o traballo. E é que ninguén sentiría cómodo si ao acudir ao médico atopase una pantalla de computador en lugar dunha persoa con delantal branco.