Ciencia de datos en radiología: un camino a seguir
La inteligencia artificial (IA), especialmente el aprendizaje profundo, tiene el potencial de alterar fundamentalmente la radiología clínica. Los algoritmos de inteligencia artificial, que se destacan en la cuantificación de patrones complejos en los datos, han mostrado un progreso notable en aplicaciones que van desde automóviles autónomos hasta reconocimiento de voz.
La aplicación de IA dentro de la radiología, conocida como radiómica, puede proporcionar cuantificaciones detalladas de las características radiográficas de los tejidos subyacentes. Esta información se puede utilizar a lo largo de la ruta de atención clínica para mejorar el diagnóstico y la planificación del tratamiento, así como para evaluar la respuesta al tratamiento.
Este tremendo potencial para la traducción clínica ha llevado a un gran aumento en el número de estudios de investigación que se llevan a cabo en el campo. Este número se espera que aumente considerablemente en el futuro.
Muchos estudios han informado hallazgos sólidos y significativos. Sin embargo, un número creciente también sufre de diseños experimentales o analíticos defectuosos. Tales errores no solo pueden resultar en descubrimientos inválidos, sino que también pueden llevar a otros a perpetuar fallas similares en su propio trabajo.
Muchos ejemplos de descubrimientos sólidos han surgido de estudios con rigurosos diseños analíticos y experimentales. No obstante, varios estudios, incluidos muchos publicados en revistas de alto impacto, adolecen de fallas en el diseño experimental o la metodología analítica, que podrían invalidar los hallazgos.
¿Cuáles son estas fallas?
Entre los ejemplos más atroces se encuentran los estudios que emplean conjuntos de datos de imágenes que son demasiado pequeños para impulsar un hallazgo significativo. Por ejemplo, se evalúan cientos de parámetros, pero solo en un par de docenas de muestras. Otros incluyen análisis que carecen de validación independiente y presentan modelos entrenados y validados sobre los mismos datos.
Por otro lado, otros estudios sufren de «fuga de información» debido a una separación inadecuada de los conjuntos de datos de capacitación y validación. Dichos estudios dan lugar a hallazgos que no se pueden replicar, lo que en última instancia debilita la percepción de las aplicaciones de la ciencia de datos en radiología y amenaza la credibilidad de otras investigaciones en el campo.
Es importante que la comunidad se dé cuenta y apoye los nuevos análisis y reconozca su valor en el avance de nuestra ciencia. Un enfoque sencillo para mejorar la calidad de la analítica en imágenes cuantitativas es crear una cultura en la que exista la voluntad de compartir y comparar datos primarios y código de software.
Se puede hacer mucho para estimular esta cultura haciendo que el intercambio de datos sea un requisito para la publicación. De hecho, los aspectos técnicos de compartir datos radiológicos a menudo son factibles y existen iniciativas que pueden ayudar a los investigadores con este proceso. Por ejemplo, el Cancer Imaging Archive.
¿Qué beneficios aportaría este intercambio?
El intercambio adecuado asegura que los resultados de cualquier estudio individual puedan recapitularse, ya que otros investigadores pueden probar la reproducibilidad de los hallazgos principales. También facilita el rápido desarrollo de métodos nuevos y más sólidos a medida que se dispone de más datos para análisis integrados. Como ocurre en otros campos, como la genómica, los editores y revisores deben exigir la publicación de todos los datos (incluidas las imágenes médicas), el código y los resultados para garantizar una reproducibilidad total.
Este nivel de divulgación es consistente con las pautas de muchas revistas científicas para otros tipos de estudios y refleja los requisitos de los NIH para el intercambio de datos y la investigación reproducible. La integración de estas «mejores prácticas» en las imágenes cuantitativas ayudará a asegurar la calidad y confiabilidad de nuestros estudios y aumentará la fuerza y la influencia de nuestro trabajo, a medida que otros usan y citan nuestros datos y software.
¿Cuál es la perspectiva actual a esta propuesta?
Afortunadamente, existe una creciente apreciación de estos temas y de la importancia de una mejor formación en metodologías cuantitativas. La ciencia de datos se está convirtiendo en un tema importante en las principales conferencias de análisis de imágenes y radiología, y los seminarios educativos están estimulando el aprendizaje y la adquisición de nuevas habilidades.
«Si hacemos esto bien y seguimos enfatizando la importancia de la capacitación en ciencia de datos, creo que nuestro campo tiene un futuro brillante. Nunca nos libraremos de todos nuestros errores.»
«Sin embargo, si evitamos los principales obstáculos, podemos mejorar nuestra credibilidad. Esto no solo conducirá a una buena ciencia, sino que también podría, en última instancia, remodelar la práctica de la radiología clínica. Más importante aún, conducirá a un mejor tratamiento y mejores resultados para los pacientes a los que servimos.»
Aerts, H. J. (2018). Data science in radiology: a path forward. Clinical Cancer Research, 24(3), 532-534.
