Hombre y máquina: uso del aprendizaje profundo para la detección temprana del cáncer de páncreas

Hasta no hace mucho, el llamado aprendizaje profundo parecía ser algo de ciencia ficción.

Sin embargo, el aprendizaje profundo ha pasado a jugar un papel importante detrás de escena en muchos aspectos de nuestra vida. El aprendizaje profundo es el que permite que un vehículo se autoconduzca, porque puede distinguir entre un hidrante, una señal de alto y un peatón imprudente. ¿Y qué pasa con el control por voz de nuestras tabletas o teléfonos inteligentes? Incluso las recomendaciones de películas en nuestros servicios de transmisión se valen del aprendizaje profundo.

No obstante, el aprendizaje profundo también está a punto de pasar a ser un importante participante en nuestra atención médica, en particular en la medicina personalizada. Además, es posible que resulte ser la respuesta a uno de los objetivos más evasivos del tratamiento del cáncer de páncreas: la detección temprana.

Felix Felicis: el Proyecto Felix

En Johns Hopkins, un grupo de radiólogos, oncólogos, genetistas, patólogos, especialistas en informática, estudiantes de informática y otros combinan sus diferentes áreas de conocimiento en un estudio de investigación del aprendizaje profundo. Este se denomina el Proyecto Felix. Este estudio, de una duración de varios años y con una inversión de varios millones de dólares, es financiado por la Lustgarten Foundation, y se inspiró en la saga de Harry Potter y en la mágica y fantástica poción llamada Felix Felicis. Toma un trago y tendrás éxito en todo lo que hagas.

De hecho, encontrar un modo de detectar la forma más común de cáncer de páncreas, el adenocarcinoma ductal de páncreas, en su etapa más temprana, una ventana de tiempo en la que existe la única opción potencialmente curativa de la cirugía, se contaría entre los mayores éxitos para un cáncer que se considera mortal prácticamente de manera unánime. Las cifras son desalentadoras: el adenocarcinoma ductal de páncreas es la tercera causa principal de muerte por cáncer, y menos del 20 por ciento de los pacientes cumplen los requisitos para la cirugía en el momento del diagnóstico. Lo que esos expertos desean lograr es descubrir si pueden desarrollarse los algoritmos del aprendizaje profundo para que ayuden a interpretar las resonancias magnéticas y las tomografías computarizadas del páncreas. Son esas imágenes las que pueden indicar si existen cánceres incipientes.

El director del equipo es el destacado radiólogo, el Dr. Elliot K. Fishman, profesor de radiología y oncología de Johns Hopkins University School of Medicine , en Baltimore, Maryland. El Dr. Fishman compara el Proyecto Felix con el Proyecto Manhattan, el empeño dirigido por los EE. UU. para elaborar un arma atómica funcional antes que los alemanes durante la Segunda Guerra Mundial. “A veces, los proyectos académicos solo llegan hasta un cierto punto, y quizás se publique un poco al respecto, pero no hay apuro de que se lleve a la acción”, dice Fishman. “Sin embargo, con (el Proyecto Manhattan) sí había apuro, se hizo un esfuerzo supremo para poner el proyecto en acción. Lo mismo se aplica al Proyecto Felix”.

Por ello, durante los últimos dos años, esos expertos se han reunido todos los miércoles, sin excepción, para ver exactamente cuánto habían avanzado y qué restaba por hacer. “Nos hemos comprometido y todos los que participamos en este proyecto nos sentimos igual”, expresa Fishman. “Nuestro enemigo es el cáncer de páncreas y con este estudio es posible que salvemos vidas”.

Hombre y máquina = Aprendizaje profundo

En términos muy sencillos, el aprendizaje profundo, que es un subconjunto de la IA, o inteligencia artificial, les enseña a las computadoras a hacer lo que nosotros damos por sentado; es decir, que aprenden por medio del ejemplo, ya sea mediante imágenes, texto o sonido. Los modelos de aprendizaje profundo con frecuencia son sorprendentemente precisos; a menudo, más que los seres humanos. Las computadoras se capacitan mediante grandes conjuntos de datos etiquetados y las llamadas arquitecturas de redes neuronales, que contienen muchas capas diferentes. “Básicamente, el aprendizaje profundo es una función de la inteligencia artificial que imita el modo en que el cerebro humano procesa los datos y luego, a partir de esos datos, la manera en que tomamos decisiones”, explica Fishman. “Se trata de mucho más que simplemente colocar un montón de tomografías en una computadora y esperar que esta haga todo el trabajo. Los seres humanos deben realizar por adelantado todo el trabajo que debe hacerse. Luego, la computadora puede independizarse y hacer lo que hace mejor, que es analizar grandes cantidades de datos”.

Con ese fin, el equipo de investigadores le enseñó a la computadora a reconocer la forma y la arquitectura del páncreas, una tarea que en sí misma fue minuciosa, dado que la forma del páncreas puede variar de paciente a paciente. El siguiente paso es enseñarle a la computadora a reconocer las diferencias entre tomografías de páncreas sanos y tomografías que muestran un tumor de páncreas maligno, incluso si esos cambios cancerosos son muy sutiles. Hasta ahora, el equipo ha probado sus algoritmos con aproximadamente 2000 tomografías computarizadas, entre ellas cerca de 800 de pacientes con un diagnóstico confirmado de cáncer de páncreas, según Fishman.

“En Johns Hopkins, contamos con una increíble cantidad de datos de cáncer de páncreas, pero todas las tomografías deben comentarse [labeled]”, agrega. “Debemos mostrarle a la computadora todas las características que conforman un páncreas sano y uno enfermo. Etiquetar un conjunto de datos lleva unas cuatro horas por tomografía”. El equipo también debe enseñar el modelo para reconocer los cambios que pueden ser benignos, como un quiste en el páncreas, o un tipo de tumor de páncreas maligno, llamado tumor neuroendocrino.

Pero parece que el esfuerzo vale la pena. Hasta el momento, los algoritmos que se han desarrollado detectan el páncreas y los órganos circundantes, como el hígado, con un índice de precisión de aproximadamente el 70 por ciento. “Eso, de hecho, es muy bueno y se proyecta que mejorará”, manifiesta Fishman. “Se debe comprender que a veces a los radiólogos les cuesta encontrar el páncreas”. Aun mejor, mediante el aprendizaje profundo se descubrió el adenocarcinoma ductal de páncreas con una precisión de cerca del 90 por ciento.

Fishman, al igual que otros expertos, cree que el uso del aprendizaje profundo y de otras formas de inteligencia artificial beneficiará no solo a los pacientes, sino también al campo de la radiología. “No se trata de una lucha entre el hombre y la máquina, porque ese es un problema en el que el hombre siempre pierde”, agrega. “Sin embargo, si se combina al hombre con la máquina, nuestras habilidades se amplían”.

Lógicamente, Fishman tiene esperanzas para este proyecto. Él examina miles de tomografías de cáncer de páncreas todos los años y la mayoría muestra la enfermedad en estadio avanzado. “Es muy frustrante, porque sabemos que si se detectara antes, tal vez podríamos ofrecerle una cura al paciente. Además, creo que muchos de esos casos podrían haberse detectado antes”.

Con los algoritmos del aprendizaje profundo, Fishman cree que los radiólogos podrán hacer más y con mayor precisión. “La computadora es más rápida que nosotros. No se cansa. Encuentra cambios sutiles que escapan al ojo humano y dice: ‘Oye, mira esto’”. Fishman agrega: “Tenga en cuenta que se realizan millones y millones de tomografías abdominales cada año. Si incorporamos este algoritmo, es posible que encontremos un método de detección temprana para una enfermedad terrible. ¿Se imagina la diferencia que eso haría?”.