Google muestra cómo la IA podría detectar el cáncer de pulmón de forma más rápida y fiable

Categoría: Inteligencia artificial Al corriente 20 de mayo

Una nueva investigación de Google muestra cómo el aprendizaje automático podría usarse algún día para detectar signos de cáncer de pulmón antes de lo que ocurre hoy en día.

Advertencia temprana: Danial Tse, un investigador de Google, desarrolló un algoritmo que superó a varios radiólogos capacitados en las pruebas. Tse y sus colegas entrenaron un algoritmo de aprendizaje profundo para detectar nódulos pulmonares malignos en más de 42 000 tomografías computarizadas. Los algoritmos resultantes arrojaron un 11 % menos de falsos positivos y un 5 % menos de falsos negativos que sus homólogos humanos. El trabajo se describe en un artículo publicado en la revista Nature hoy dia.

Problema asesino: El cáncer de pulmón mató a más de 160 000 personas en los Estados Unidos en 2018, lo que lo convierte en la principal causa de muerte por cáncer. Y si bien las tomografías computarizadas (TC) pueden ser una parte vital de la detección del cáncer, a menudo tampoco son confiables.

Gran promesa: Tse y sus colegas argumentan que la IA podría ayudar a que la detección del cáncer de pulmón sea más confiable en todo el mundo, aunque reconocen que el trabajo debe validarse en poblaciones de pacientes más grandes. De hecho, existe un interés creciente en el uso de la IA para detectar muchos tipos de cáncer. Los investigadores han demostrado cómo se puede usar el aprendizaje automático para detectar ambos cáncer de mama y cáncer de piel , por ejemplo.

Pasos pequeños: Estos estudios son emocionantes, pero deben tratarse como pequeños avances. Sigue siendo un desafío usar IA en el cuidado de la salud por razones de privacidad y porque los conjuntos de datos del mundo real rara vez son tan perfectos como los que se usan en los estudios de investigación.

También vale la pena señalar que tratar el cáncer implica mucho más que solo detectar la enfermedad en primer lugar. Determinar el curso correcto de tratamiento, por ejemplo, puede depender de una variedad de factores que varían mucho de un paciente a otro, lo que hace que esa parte del proceso sea mucho más difícil de automatizar.