El servicio de Anatomía Patológica del Complejo Hospitalario Universitario de Canarias (HUC) y el Instituto de Astrofísica de Canarias (IAC) colaboran en el desarrollo de una herramienta informática que adapta métodos de inteligencia artificial aplicados en astronomía a imágenes digitalizadas de muestras humanas. El proyecto, denominado “Patolog-IA”, tiene como objetivo acelerar la interpretación de los resultados y el diagnóstico del cáncer colorrectal. Se prevé que también pueda utilizarse en medicina personalizada de precisión orientada a otros tipos de cáncer.

El cáncer colorrectal es uno de los más agresivos y el más frecuentemente diagnosticado en España en 2021. Su detección precoz es crítica y por ello se toman muestras de manera sistemática, pero la interpretación de los resultados es lenta y compleja. Los análisis se realizan manualmente por patólogos expertos con más de diez años de formación, lo que conlleva una importante cantidad de tiempo y limita el ritmo de los diagnósticos.

El problema es especialmente acuciante en regiones ultraperiféricas, donde existen los medios técnicos para la toma de muestras, pero faltan medios humanos para su interpretación. La escasez de patólogos para estudiar el gran número de muestras generadas y la necesidad de priorizar las más importantes motivó que el servicio de Anatomía Patológica del HUC contactara con el IAC, donde existe un grupo especializado en la aplicación de métodos de inteligencia artificial a imágenes astronómicas.

Un problema inicial es el enorme tamaño de las imágenes digitalizadas de las muestras humanas, con cientos de millones de píxeles, equivalentes a más de una decena de televisiones de alta definición. Las imágenes típicas provenientes de prospecciones astronómicas suelen ser de menor tamaño, aunque muy numerosas. Un problema común a la astrofísica y al diagnóstico de patologías es la falta de imágenes ya clasificadas, puesto que conlleva un ingente trabajo manual de expertos. Basándose en resultados de investigaciones previas, el equipo identificó una técnica que soluciona ambos problemas.

Aprendizaje automático

Gracias a la disponibilidad de los métodos, códigos e incluso los datos de entrenamiento de trabajos publicados anteriormente, se ha logrado desarrollar un modelo de inteligencia artificial basado en la técnica del “Maestro Medio”. En esta técnica se combinan dos redes neuronales idénticas y muy profundas. Una red hace de “estudiante”, y con pocas imágenes etiquetadas va aprendiendo las características para detectar tumores. La otra red hace de “maestro”, recibe parte de la información del alumno e intenta clasificar las imágenes sin etiquetar.

En el primer intento el resultado es aleatorio, pero de manera iterativa, ciclo tras ciclo, va mejorando sus predicciones. Como las imágenes originales son demasiado grandes, se dividen en miles de segmentos más manejables, adecuados para la memoria de las tarjetas gráficas utilizadas en el análisis. “Al final se obtiene una red que es capaz de identificar si una imagen es tumoral con alta fiabilidad y con muy pocos falsos positivos”, indica Carlos Westendorp, astrofísico del IAC.

Ya se ha instalado un servidor de cómputo, que incorpora una tarjeta gráfica donada por NVIDIA al IAC, para el uso exclusivo del HUC. El servicio está todavía en fase de pruebas, pero pronto las imágenes obtenidas diariamente en el hospital se podrán subir al servidor y éste devolverá una lista priorizada para ser revisada por los médicos. “El diagnóstico final será realizado por un patólogo especializado, pero los casos más urgentes serán identificados más rápidamente gracias a la ayuda de la inteligencia artificial”, subraya Carlos Luque, investigador del proyecto EuroCC en el que se enmarca el desarrollo de esta herramienta.

El diseño actual se ha realizado en un periodo de tan solo unos meses gracias al hecho de que los tejidos tienen características comunes para toda la especie humana. “En el futuro queremos que la red preste más atención a detalles específicos identificados por el HUC”, señala Andrés Asensio, investigador del IAC. “Como esta técnica tambien se puede aplicar a otros datos, como los astronómicos, creemos que es un gran ejemplo de los beneficios del trasvase de conocimiento entre campos diferentes unidos por las técnicas de inteligencia artificial”, añade.

Carlos Allende, el coordinador del proyecto en el IAC, avanza que “este programa tendrá continuidad con financiación del Instituto de Salud Carlos III para medicina personalizada de precisión orientada al cáncer de mama, y también dentro de IACTEC, el espacio del IAC dedicado específicamente a la transferencia de tecnología, bajo el nombre de Patolog-IA”.

Contactos:

Carlos Luque (IAC 922 605 200), carlos.luque [at] iac.es (carlos[dot]luque[at]iac[dot]es)
Carlos Westendorp (IAC), carlos.westendorp [at] iac.es (carlos[dot]westendorp[at]iac[dot]es)
Andrés Asensio (IAC), andres.asensio [at] iac.es (andres[dot]asensio[at]iac[dot]es)
Carlos Allende (IAC), carlos.allende.prieto [at] iac.es (carlos[dot]allende[dot]prieto[at]iac[dot]es)

Eduardo Salido (HUC  922 678 000), edsalido [at] gmail.com (edsalido[at]gmail[dot]com)