Skip to main content

Artificial intelligence in dermatology

¿Qué es la inteligencia artificial?

La inteligencia artificial (IA) emplea sistemas informáticos para realizar tareas que normalmente requieren inteligencia humana, como el reconocimiento de voz y la percepción visual. La IA se basa en tecnologías y algoritmos como la robótica, el aprendizaje automático e Internet para imitar el funcionamiento del cerebro humano. Con poder de cómputo ilimitado y capacidad de almacenamiento, la IA tiene el potencial de superar a los seres humanos.

En medicina, los algoritmos de visión por computadora tienen el potencial de reconocer anormalidades y enfermedades al evaluar el color, la forma y los patrones. [1].

Los ejemplos de aplicaciones de IA incluyen:

  • Tecnología para habilitar autos sin conductor
  • Algoritmos de reconocimiento de voz para interactuar con humanos, como SIRI de Apple, Alexa de Amazon y Asistente de Google
  • Algoritmos de traducción de idiomas
  • Identificación de razas de perros (se ha informado que un algoritmo ha logrado una precisión de más del 96%)
  • Predicción de las preferencias del usuario, como una lista de películas o anuncios dirigidos
  • Predicción de períodos de alta demanda para un taxi o una fuerza laboral flexible [2,3].

¿Cómo se usa la inteligencia artificial y el aprendizaje profundo en medicina?

Los algoritmos informáticos de aprendizaje profundo se basan en redes neuronales convolucionales. Las redes neuronales se basan en un modelo computacional inspirado en el funcionamiento del cerebro biológico. Una gran cantidad de nodos conectados llamados artificiales neurons son similares a las neuronas biológicas en el cerebro. Estos sistemas aprenden las características de un objeto mediante la evaluación de datos etiquetados manualmente, como “perro” o “no perro”. Las características aprendidas se pueden usar para inferir la naturaleza de una nueva imagen.

Las imágenes se usan ampliamente para diagnosticar lesiones y enfermedades y en estudios de anatomía y fisiología humana. Las técnicas avanzadas de imagen médica incluyen magnetic resonance image (Magnetic resonance), absorciometría dual de rayos X, ultrasonographyand computed tomography (Connecticut) [4–10].

En imágenes médicas, las redes neuronales convolucionales se utilizan para determinar “anormal” o “normal”. Se entrenan en grandes bases de datos etiquetadas de imágenes médicas y coinciden o superan la visión humana para la detección de objetos en las imágenes en áreas tales como:

  • Chest Cancer
  • Brain tumor
  • Skin cancer
  • enfermedad de Alzheimer [11,12].

Estos algoritmos informáticos serán escalables a múltiples dispositivos, plataformas y sistemas operativos, reduciendo su costo y aumentando su disponibilidad para el diagnóstico y la investigación. Las universidades, los gobiernos y las agencias de financiación de la investigación han reconocido las oportunidades para mejorar el diagnóstico temprano de enfermedades, como el cáncer, las enfermedades cardíacas, la diabetes y la demencia, y están invirtiendo fuertemente en el sector.

Las técnicas de IA aprobadas por la Administración de Drogas y Alimentos de los Estados Unidos (FDA) para uso clínico en septiembre de 2018 incluyen productos para:

  • Identificar signos de retinopatía diabética en imágenes retinianas.
  • Reconocer signos de accidente cerebrovascular en tomografías computarizadas
  • Visualiza el flujo sanguíneo en el corazón
  • Detecta el cáncer de piel a partir de imágenes clínicas capturadas con una aplicación móvil.

¿Cómo se usa la inteligencia artificial en el diagnóstico del cáncer de piel?

Según la Fundación para el Cáncer de Piel de EE. UU., Cada año se diagnostica más cáncer de piel en los EE. UU. Que todos los demás tipos de cáncer combinados [13]. Los cánceres de piel se clasifican comúnmente como melanoma o cáncer de piel no melanoma (el keratinocytic cancers basal cell carcinomaand scaly carcinoma de células). Los cánceres de piel pueden ser difíciles de distinguir de los comunes. benign lesiones cutáneas, y la aparición de melanoma es especialmente variable. Esto significa que:

  • Los cánceres de piel pueden pasarse por alto porque se cree que son inofensivos
  • Un gran número de lesiones inofensivas se extirpan quirúrgicamente innecesariamente para no perderse un cáncer potencialmente peligroso.

Los dermatólogos examinan las lesiones cutáneas mediante inspección visual y dermatoscopia. Utilizan su experiencia en el reconocimiento de patrones para determinar qué lesiones cutáneas deben extirparse para diagnóstico o tratamiento. En los últimos años, ha habido un gran interés en usar algoritmos de IA para ayudar injury diagnóstico. Hay una serie de conjuntos de datos de lesiones cutáneas que están disponibles públicamente para ayudar a la investigación de IA.

Investigadores de la Universidad de Stanford realizaron un dermatologistde alto nivel de cánceres de piel con un algoritmo de aprendizaje profundo en un conjunto de datos de 129,450 imágenes clínicas que incluyeron 2,032 enfermedades de la piel [14]. También probaron su algoritmo contra 21 dermatólogos certificados por la junta y descubrieron que el rendimiento del algoritmo en la clasificación estaba a la par con sus expertos.

La International Skin Imaging Collaboration (ISIC) ofrece un amplio conjunto de datos públicos que en septiembre de 2018 tenía 23,906 imágenes digitales dermatoscópicas de más de 18 tipos de lesiones cutáneas. Desde 2016, ISIC también ha llevado a cabo un desafío anual de ‘Análisis de lesiones cutáneas para la detección de melanoma’. El ganador de su desafío en 2017 logró más del 98% de precisión al distinguir melanomas de lunares benignos [15]. ISIC luego incluyó más categorías de lesiones cutáneas en el desafío de 2018, como el carcinoma de células basales y actinic keratosis. Podemos esperar una mayor precisión y más categorías de lesiones cutáneas que se agregarán a la competencia cada año.

Algoritmos de aprendizaje automático para lesiones cutáneas.

Para crear un nuevo algoritmo de cáncer de piel con aprendizaje automático, a cada tipo de lesión cutánea se le asigna una clase. En su forma más simple, puede haber solo dos clases; por ejemplo, “benigno” y “evil one’O‘nevus“Y” melanoma “. Algoritmos más sofisticados pueden evaluar múltiples clases.

Antes de probar un algoritmo usando una nueva imagen, los algoritmos de aprendizaje profundo se entrenan en una gran cantidad de imágenes en cada clase. El proceso implica tres etapas principales (figura 1).

Level 1

En la etapa 1, el algoritmo se alimenta con digital macroscopic o imágenes dermatoscópicas etiquetadas con la “verdad fundamental”. (La verdad fundamental en este contexto es el diagnóstico de la lesión, que es asignado por un dermatólogo experto o es el resultado de histopathological examen.)

Figura 1. Descripción general del entrenamiento de diferentes tipos de lesiones cutáneas con la ayuda del aprendizaje profundo

overview-of-training-of-different-types-of-skin-lesions-with-the-help-of-deep-learning__protectwyjqcm90zwn0il0_focusfillwzi5ncwymjisingildbd-2121457-2814125

Descripción general del entrenamiento de diferentes tipos de lesiones cutáneas con la ayuda del aprendizaje profundo.

Stage 2

En la etapa 2, las capas convolucionales (una serie de filtros aplicados a la entrada, como una imagen) extraen el mapa de características de las imágenes. Un mapa de características representa datos con múltiples niveles de abstracción.

  • Las capas convolucionales iniciales extraen entidades de bajo nivel como bordes, esquinas y formas.
  • Las capas convolucionales posteriores extraen características de alto nivel para detectar el tipo de lesión cutánea (figura 2).
Figura 2. Mapas de características típicas aprendidas usando redes neuronales convolucionales

fig2__protectwyjqcm90zwn0il0_focusfillwzi5ncwymjisingildbd-1558373-1066679

Mapas de características típicas aprendidas usando redes neuronales convolucionales.

Stage 3

En la etapa 3, el clasificador de aprendizaje automático utiliza los mapas de características para el reconocimiento de patrones de diferentes clases de lesiones cutáneas. El algoritmo de aprendizaje profundo ahora se puede utilizar para clasificar una nueva imagen (figura 3).

Figura 3. Inferencia producida por algoritmos de aprendizaje profundo en una nueva imagen de una lesión cutánea

fig3__protectwyjqcm90zwn0il0_focusfillwzi5ncwymjisingildbd-8089097-1513717

Inferencia producida por algoritmos de aprendizaje profundo en una nueva imagen de una lesión cutánea.

Criterios ABCD

Los criterios clínicos de ABCD utilizados por no expertos para evaluar pigmented las lesiones de la piel son Asimetría, yesirregularidad de orden, Cnuestra variación, y rediámetro superior a 6 mm (figura 4). Ver ABCDE de melanoma, que incluyen ‘E’ para mevolution.

R: La propiedad de asimetría verifica si dos mitades de la lesión de la piel coinciden (o no) en términos de color y forma. Las lesiones se dividen en dos mitades según el eje largo y se dividen nuevamente según el eje corto. Es probable que el melanoma tenga un asymmetric appearance.

B: La propiedad de borde define si los bordes de la lesión cutánea son suaves y están bien definidos o no. Los cánceres de piel tienden a tener bordes irregulares.

C: la propiedad de color evalúa el número y la variabilidad de los colores en toda la lesión de la piel. El melanoma y el carcinoma basocelular pigmentado a menudo incluyen tonos de 3 a 6 colores (negro, tostado, marrón oscuro, gris, azul, rojo y blanco), mientras que naevi y las pecas tienden a tener solo uno o dos colores, que están distribuidos simétricamente.

D: la propiedad de diámetro mide el diámetro aproximado de la lesión cutánea. El diámetro de las lesiones cutáneas malignas es generalmente mayor de 6 mm (el tamaño de un borrador de lápiz).

Figura 4. La regla ABCD para el cáncer de piel.

fig4__protectwyjqcm90zwn0il0_focusfillwzi5ncwymjisinkildg1xq-7665677-8628562

Regla clínica ABCD del melanoma

Yang y sus colegas propusieron adoptar la regla ABCD para el procesamiento de imágenes y algoritmos de aprendizaje automático [16]. En su trabajo, compararon el rendimiento de su sistema con los médicos (general, junior y experto) y algoritmos de aprendizaje profundo para el diagnóstico del conjunto de datos de prueba de lesiones cutáneas (tabla 1). Invitaron a dos médicos de cada categoría para realizar esta tarea.

Entrenaron su sistema en su conjunto de datos SD-198 de enfermedad de la piel de 6,584 imágenes clínicas de 198 categorías diferentes de lesiones, y extrajeron características de bajo nivel de tres componentes visuales: textura, colores y bordes. El sistema de dispositivo asistido por computadora (CAD) de Yang funcionó mejor que el algoritmo de aprendizaje profundo VGG-Net y ResNet y fue comparable con el desempeño de los médicos junior. Sin embargo, los dermatólogos expertos fueron significativamente higher al sistema CAD.

Evaluación de desempeño de métodos computarizados y médicos en un conjunto de prueba de 3,292 imágenes
Métodos Exactitud Error estándar
Sistema CAD de Yang 56,47 53,15
Expertos médicos Médicos generales (n = 2) 49,00 47,50
Doctores junior (n = 2) 52,00 53,40
Dermatólogos expertos (n = 2) 83,29 85,00
Aprendizaje profundo VGGNet 50,27 48.25
ResNet 53,35 51.25

Otra investigación de aprendizaje automático sobre cáncer de piel

IBM también está trabajando en una herramienta de IA llamada Watson para analizar imágenes de lesiones cutáneas para la detección de melanoma. Su dispositivo utiliza seis puntos clave para analizar y determinar la probabilidad de melanoma: color, irregularidad del borde, nivel de asimetría, glóbulo y red, similitud con las imágenes de lesiones cutáneas en su base de datos y puntaje de melanoma; estos criterios son similares a los criterios ABCD [17].

MetaOptima Technology Inc. ha lanzado su plataforma DermEngine para proporcionar un servicio de teledermatología. Su herramienta de búsqueda visual compara una imagen enviada por el usuario con imágenes similares en una base de datos de miles de pathologyimágenes etiquetadas de expertos dermatólogos de todo el mundo. Las técnicas de aprendizaje profundo se utilizan para buscar imágenes relacionadas basadas en características visuales como el color, la forma y el patrón. [18].

¿Cuál es el futuro de la inteligencia artificial y el diagnóstico del cáncer de piel?

La investigación con IA está haciendo progresos alentadores en el diagnóstico de lesiones cutáneas. Sin embargo, la IA no va a reemplazar a los expertos médicos en breve. En primer lugar, se necesita un humano para seleccionar la lesión apropiada para la evaluación, a menudo entre cientos de lesiones sin importancia.

El diagnóstico médico se basa en tomar un historial médico cuidadoso y leer detenidamente los registros del paciente. Tiene en cuenta la etnia del paciente, la piel, hair y color de ojos, ocupación, enfermedad, medicamentos, daño solar existente, el número de melanocytic nevos y hábitos de estilo de vida (como exposición al sol, tabaquismo y consumo de alcohol). El comportamiento y el tratamiento previo de la lesión también son pistas para el diagnóstico.

La IA puede ofrecer una segunda opinión y puede usarse para detectar una lesión completamente benigna, como un nevo melanocítico que es symmetrical en color y estructura.

Estos algoritmos evolucionarán inevitablemente con una precisión mejorada en la detección de lesiones cutáneas potencialmente malignas, a medida que las bases de datos se expanden para incluir más imágenes y más etiquetas específicas de pacientes y lesiones.