Cómo el aprendizaje profundo está cambiando la atención médica Parte 1: Diagnóstico

La IA está lista para tener un impacto profundo y duradero en la atención médica, impulsada por tres poderosas tendencias:

1. Las unidades de procesamiento de gráficos (GPU) son cada vez más rápidas y más eficientes energéticamente.

Hasta hace poco, ejecutar algoritmos de IA rara vez era rentable.

2. Los algoritmos se están volviendo más sofisticados.

Debido a que ahora podemos usar modelos de aprendizaje profundo a una fracción de los costos anteriores, la innovación está explotando.

3. Abundan los datos de atención médica.

Gracias a los EHR y otros esfuerzos de digitalización, tenemos más datos de atención médica para usar para entrenar algoritmos que nunca.

Hace unos años, menos de dos docenas de nuevas empresas de IA se centraban en la atención médica, según CB Insights. Hoy en día, hay más de 100 nuevas empresas de IA relacionadas con la atención médica.

Esto ha dejado a muchos médicos rascándose la cabeza sobre cómo pueden prepararse para lo que viene mañana, hoy. Estas son las formas en que el aprendizaje profundo está cambiando la atención médica en este momento, y un consejo sobre cómo comprar el hardware adecuado para prepararse para la próxima revolución de la IA.

Descripción general de la terminología

Glosario de términos de IA (a través de Fortune)

Diagnósticos más rápidos y precisos a través del aprendizaje profundo

Cuando lo piensas, diagnosticar enfermedades es la tarea perfecta para la inteligencia artificial. El aprendizaje profundo se trata de identificar patrones conectando los puntos.

Considere un perro. Componentes: peludo, dos ojos, cuatro patas, una cola. Más pequeño que un humano, más grande que un gato. Un algoritmo de aprendizaje profundo "aprende" (a lo largo de muchos ciclos de entrada de datos, análisis y pruebas) qué es cada uno y luego puede identificar a un perro a partir de sus partes constituyentes.

En el caso de enfermedad, los puntos son los síntomas y los trastornos relacionados. Tos, estornudos, dolor de garganta: debe ser un resfriado.

Los algoritmos de aprendizaje profundo mejoran en el diagnóstico de la misma manera que lo hacen los médicos: con la práctica. Al igual que un médico, el algoritmo adivina y aprende si fue correcto o no en función de si el paciente responde al tratamiento o desarrolla nuevos síntomas que indican que el diagnóstico inicial no fue correcto. Esta información se introduce en el algoritmo a través de los datos de EHR.

Cómo aprende una red neuronal profunda (a través de Fortune)

Una diferencia importante entre un médico y un algoritmo de aprendizaje profundo es que un médico tiene que dormir. Una vez que entrena un algoritmo, puede funcionar (y mejorar) continuamente.

Un médico verá y aprenderá de miles de imágenes de resonancia magnética a lo largo de su vida. Un algoritmo podría ver billones. Como todos los humanos, los médicos son propensos al error. Con la IA, no hay riesgo de enfermedad, cansancio o preocupación. No practicará la medicina defensiva ni se atascará en sus caminos.

¿Cómo se ve esto en la práctica?

El aprendizaje automático ya puede determinar si las lesiones de la piel son cancerosas con tanta precisión como un dermatólogo certificado por la junta, como lo demostraron los científicos de la Universidad de Stanford a principios de este año.

Cuando al compañero de cuarto de la universidad de Hossam Haick le diagnosticaron leucemia, se inspiró para crear un sensor para tratar el cáncer. “Pero luego me di cuenta de que el diagnóstico temprano podría ser tan importante como el tratamiento en sí”, dijo Haick al New York Times. Así que construyó una máquina que usa inteligencia artificial para aprender cómo huelen diferentes enfermedades. Con cada olfateo, el algoritmo se vuelve más preciso. Hasta diciembre pasado, pudo identificar 17 enfermedades diferentes con una precisión de hasta el 86%.

Enlitic utiliza el aprendizaje profundo para detectar nódulos pulmonares en radiografías y tomografías computarizadas y resonancias magnéticas y determinar si son benignos o malignos. El CEO Igor Barani, ex profesor de oncología radioterápica en la Universidad de California en San Francisco, afirma que los algoritmos de Enlitic superaron a cuatro radiólogos en las pruebas. Barani le dijo a Medical Futurist:

“Hasta hace poco, los programas informáticos de diagnóstico se escribían utilizando una serie de suposiciones predefinidas sobre características específicas de la enfermedad. Se tuvo que diseñar un programa especializado para cada parte del cuerpo y solo se pudo identificar un conjunto limitado de enfermedades, lo que impidió su flexibilidad y escalabilidad. Los programas a menudo simplificaban demasiado la realidad, lo que resultaba en un rendimiento diagnóstico deficiente y, por lo tanto, nunca alcanzaban una adopción clínica generalizada. Por el contrario, el aprendizaje profundo puede manejar fácilmente un amplio espectro de enfermedades en todo el cuerpo y todas las modalidades de imágenes (rayos X, tomografías computarizadas, etc.)".

Freenome utiliza el aprendizaje profundo para encontrar cáncer en muestras de sangre o, más específicamente, en los fragmentos de ADN que emiten las células sanguíneas a medida que mueren. La firma de capital de riesgo Andreessen Horowitz envió a la empresa cinco muestras de sangre para analizarlas como prueba previa a la inversión. La empresa siguió adelante con su inversión después de que Freenome identificara los cinco, dos normales y tres cancerosos, correctamente. El fundador Gabriel Otte le dijo a Fortune que su algoritmo de aprendizaje profundo está detectando señales de cáncer que los biólogos del cáncer aún tienen que caracterizar.

En mayo, el fundador y director ejecutivo de Babylon Health, Ali Parsa, dijo al programa de tecnología en línea "Hot Topics" que su equipo había presentado recientemente el primer sistema de clasificación clínica impulsado por IA del mundo a pruebas académicas, durante las cuales su sistema demostró ser un 13 % más preciso que un médico. y 17% más preciso que una enfermera.

¿Qué tan realista es la implementación?

Si bien el aprendizaje automático se está convirtiendo rápidamente en una mejor manera de diagnosticar enfermedades, solo recientemente se ha vuelto más factible para el uso universal. Antes de ahora, simplemente ha sido demasiado costoso implementarlo de manera generalizada.

Gracias a los procesadores más nuevos que funcionan más rápido que nunca y requieren menos energía, el aprendizaje automático avanza a un ritmo más rápido y asequible.

Como señala Para en el video anterior, hace diez años, mirar cada parte de su cuerpo para encontrar y diagnosticar enfermedades costaba un millón de dólares. Hoy, ese costo se ha reducido a $ 10,000 e incluye la secuenciación de genes.

Una empresa de imágenes médicas obtuvo la aprobación de la FDA para vender software impulsado por IA a los médicos. En enero, Arterys obtuvo el visto bueno para su "DeepVentricle", un algoritmo de aprendizaje profundo que puede calcular la capacidad cardíaca de un paciente con la misma precisión que un médico en menos de 30 segundos. Por el contrario, analizar imágenes de resonancia magnética para completar los cálculos a mano lleva alrededor de una hora.

La ingeniera biomédica y profesora Cristina Davis predice que dentro de tres a cinco años, los médicos tendrán acceso a algoritmos de aprendizaje profundo para ayudar en el diagnóstico.

Prepárese para el aprendizaje profundo con el hardware adecuado

Una gran parte del aumento en el poder computacional desde finales de la década de 2000 se debe a los chips diseñados por Nvidia para aumentar el realismo visual de los videojuegos. El uso de unidades de procesamiento gráfico (GPU) para el aprendizaje profundo resultó ser entre 20 y 50 veces más eficiente que el uso de unidades centrales de procesamiento (CPU).

En agosto de 2016, Nvidia anunció que sus ingresos trimestrales se habían más que duplicado año tras año para su segmento de centros de datos, alcanzando los 151 millones de dólares. La directora financiera, Colette Kress, dijo a los inversores que "la gran mayoría del crecimiento proviene, con mucho, del aprendizaje profundo".

En 2016, Intel compró startups de aprendizaje profundo, Nervana Systems y Movidius, mientras que Google presentó unidades de procesamiento de tensor (TPU) diseñadas específicamente para facilitar el aprendizaje profundo.

Hoy, Nvidia apunta a la industria médica. La gerente de desarrollo comercial de la compañía, Kimberley Powell, quiere ver que los procesadores de Nvidia se utilicen para satisfacer la necesidad de análisis de aprendizaje profundo de imágenes médicas.

Futurism informa que "el hardware de Nvidia ha establecido su papel silencioso pero prominente en el matrimonio del aprendizaje profundo con la medicina". La compañía está construyendo poderosas computadoras diseñadas para ejecutar de manera rápida y eficiente los cálculos que pueden hacer que el diagnóstico sea más rápido y preciso. Powell espera instalar el DGX-1 de Nvidia en hospitales y centros de investigación médica de todo el mundo.

Algunos hospitales, como el nuevo centro de ciencia de datos clínicos del Hospital General de Massachusetts, ya están utilizando este nuevo hardware para la salud de la población, comparando los resultados de las pruebas de los pacientes y el historial médico para identificar las correlaciones en los datos.

Conclusión

Las redes neuronales profundas están cambiando la forma en que los médicos diagnostican enfermedades, haciendo que los diagnósticos sean más rápidos, económicos y precisos que nunca. Aprovechar estos avances requiere ciertos pasos preparatorios, como actualizar su hardware.

Cuando esté listo para actualizar, asegúrese de invertir en sistemas que puedan manejar los requisitos computacionales del aprendizaje profundo y la salud de la población.

La próxima semana, analizaremos otra forma en que el aprendizaje profundo está cambiando la atención médica: la prevención de enfermedades. También hablaremos sobre la gestión de la práctica médica y el software EHR que necesitará para comenzar a utilizar el aprendizaje profundo en su práctica.

Para obtener más información sobre la IA y la atención médica, consulte estas publicaciones:

• ¿Qué es la Medicina de Precisión? Una introducción simple para médicos confundidos
• 5 Startups de IA para el cuidado de la salud que las pymes deben conocer
• 5 formas en que la inteligencia artificial está afectando la telesalud