¿Cuál es el futuro del Deep Learning en la radiología?
Dentro de un corto periodo de tiempo, el deep learning (DL) ha tomado un rol central en el campo de imagenología, ya que ha participado en los campos de hepatología, cardiología, neurología, urología y neumología.
El impacto del DL en la industria ha sido bastante grande. El siguiente gran paso de la automatización usando DL está ocurriendo en la radiología. La presencia de software de acceso público a hecho posible que la comunidad científica y de investigación pueda desarrollar herramientas de DL con relativa facilidad. Una posible razón del éxito del DL es la reducción de costos en el hardware computacional y los GPUs debido a la industria del gaming.
El uso de GPUs por DL ha traído una reducción de tiempo computacional lo cual ha traído un entrenamiento veloz y generalización de estos modelos los cuales han sido utilizados para la clasificación de enfermedades, clasificación de cáncer cerebral, segmentación de órganos, detección de hemorragias, detección de tumores y otros progresos clave. Todas las metodologías han demostrado que hay una precisión aumentada a comparación de métodos convencionales.
Futuro de la radiología
El DL tenderá a hacer más avanzadas las ciencias de imagen médica en el futuro cercano. Los hospitales y centros de diagnóstico tienen la necesidad continua de mejorar su infraestructura y desarrollar sus laboratorios. Las instalaciones médicas a lo largo del mundo deben de compartir bases de datos sin comprometer la privacidad de pacientes. Estas bases de datos deben de estar hechas para estar disponibles para los modelos de DL para su entrenamiento, con ello se mejorará la velocidad del procesado de datos de imagen y la disponibilidad de reportes permitirá que a los profesionales de la salud del futuro puedan tener una temprana y mejor toma de decisiones. Esto ayudaría a tratar pacientes en tiempo real y ayudará a salvar vidas. En resumen, el uso de DL en radiología tiene el potencial de mejorar la salud de individuos y el bienestar de la sociedad.
Futuro de la radiología utilizando DL
Un radiólogo puede analizar en promedio 200 casos al día. Una herramienta poderosa como lo es el DL podría ayudar a los radiólogos a tomar decisiones de manera precisa en cortos periodos de tiempo además de ayudarlos a mejorar la calidad de cuidado del paciente e incrementar el volumen de éstos mismo en el mismo tiempo, tanto de manera presencial como de manera remota.
En EU, 260 millones de imágenes son procesadas diariamente incluyendo ultrasonidos, resonancias magnéticas e imágenes de tomografía computarizada. Un hospital puede investigar 1,000 dólares en sus sistemas computacional para procesar tantas de esas imágenes en un día. Esto decrementaría el retraso en el tratamiento y reducir los costos médicos. También se prevé que el mercado de diagnóstico asistido por computadora (CAD) impulsado por DL generará ingresos de 1.900 millones de dólares estadounidenses para 2022.
Mayor desarrollo del DL
Se prevé que el DL asistirá en el rendimiento de tareas rutinarias en radiología mientras el humano usará mayores tomas de decisiones para justificar juicios finales. Las principales características en el diagnóstico médico y la predicción utilizando técnicas de DL hará que las consultas médicas sean más interactivas entre pacientes y doctores. Esto ocurrirá ya que los sistemas de DL proveerán de evidencia cuando la decisión médica se ha hecho bajo la incertidumbre. El DL tiene el potencial de desarrollar un ecosistema donde los servicios médicos considerarán toda la información en consideración como radiología, historial clínico, pruebas radiológicas hechas para mejorar el cuidado del paciente y poder ofrecer un mejor servicio.
Retos y riesgos
Hay varias preocupaciones morales y éticas con respecto a la implementación de los sistemas de IADL en el proceso de diagnóstico clínico. Esto puede ser dividido en tres categorías: seguridad, privacidad y moralidad.
Seguridad
Los sistemas que funcionan con IA, si son empleados, serán responsables de salvaguardar pacientes en su estado más vulnerable, sin tener espacio para errores prevenibles. Las agencias médicas regulatorias deberán de asegurar que los sistemas de DL son empleados siguiendo normas estrictas para asegurar que son altamente robustos y precisos. Los estándares deberían de ser probados cada cierto tiempo y ser altamente confiables.
Privacidad
Los sistemas de DL requieren de entrenamiento a partir de bases de datos de imagenología. Esto requerirá que la información del paciente sea almacenada en un servidor seguro. Cualquier irrupción en la seguridad podría provocar la perdida de privacidad en la información. Medidas preventorias deben de ser tomadas y leyes para estos casos deberán de ser creadas para proteger la privacidad de los pacientes antes de permitir los sistemas de DL. Los protocolos de transmisión de datos tienen que estar estrictamente asegurados en donde solo habrá un transmisor o receptor de la información de imagenología a la cual solo se podrá extraer información de imagen si es que el usuario posee de la autorización de usar esos datos.
Legalidad
Existen problemas legales relacionados con la aplicación de tecnologías de DL en el sistema de salud. El principal de ellos es quien tiene la responsabilidad legal en caso de que ocurra un error en el diagnostico que realizó un sistema DL. Una posible solución para esto sería la responsabilidad compartida entre la autoridad humana responsable en el diseño del modelo y el médico que supervisa la aplicación de dicha tecnología.
El DL tendrá desafíos en el futuro cercano, principalmente de estandarización y de legalidad. Sin embargo, hoy en día ha demostrado que tiene el potencial de ser una gran herramienta de asistencia para el área de radiología y que promete mejorar la calidad del flujo de trabajo de radiólogos y el servicio que se le ofrece al paciente mientras se reducen costos de tiempo y dinero.
Saba, L., Biswas, M., Kuppili, V., Cuadrado Godia, E., Suri, H., Edla, D., Omerzu, T., Laird, J., Khanna, N., Mavrogeni, S., Protogerou, A., Sfikakis, P., Viswanathan, V., Kitas, G., Nicolaides, A., Gupta, A. and Suri, J., 2019. The present and future of deep learning in radiology. European Journal of Radiology, [online] 114, pp.14-24.
