La esclerosis sistémica es una enfermedad autoinmune y sistémica que ataca principalmente a la piel y a otros órganos internos.
Ante este panorama, un diagnóstico oportuno juega un rol de suma importancia al momento de diseñar planes eficaces de terapia y manejo. Con la ayuda de una inteligencia artificial, se podría facilitar esta crucial tarea.
Existe una estrecha conexión entre la inteligencia artificial y la medicina. Esta tecnología ha hecho importantes contribuciones al desarrollo de esta disciplina y otros campos científicos relacionados. Sin embargo, en el caso especial de esta rara enfermedad, la falta de grandes muestras de datos, para entrenar algoritmos de aprendizaje automático, ha dificultado el desarrollo de soluciones específicas que se puedan utilizar en entornos con recursos limitados para este fin, como los hospitales.
Diagnóstico temprano con un despliegue técnico de bajo costo
Una propuesta recientemente planteada por ocho investigadores del Departamento de Ingeniería Biomédica de la Universidad de Houston, señala en base a un estudio de carácter preliminar, que es posible montar un sistema de IA que puede contribuir al diagnóstico temprano de la esclerosis sistémica, a través de una plataforma implementada con un ordenador portátil estándar (procesador Intel Core i7 de 2,5 GHz).
Los recursos materiales requeridos para montar este instrumento de diagnóstico (técnicamente, un ordenador común), implican una inversión considerablemente menor a la generalidad de los precios del equipamiento de esta clase para el rubro clínico.
Con la red neuronal presentada, que se puede ejecutar sin problemas en equipos como el señalado, se podría diferenciar inmediatamente entre imágenes de piel sana y piel con esclerosis sistémica.
Esta contribución a la aceleración de la evaluación, puede facilitar considerablemente su atención y terapia si el diagnóstico se obtiene en una fase temprana de la enfermedad.
Como suele ocurrir con enfermedades de estas características, los diagnósticos oportunos son todo un desafío, aún para los profesionales más experimentados. Por lo mismo, la contribución de este avance, a pesar de encontrarse en una fase temprana de investigación, abren una luz de esperanza para la facilitación de este constante desafío para los médicos del área.
La técnica utilizada para dar vida a este sistema fue el aprendizaje profundo, que consiste en la agrupación de varios algoritmos en capas, componiendo una red neuronal, que es capaz de tomar sus propias decisiones en base al entrenamiento recibido, que en este caso fue un proceso intensivo de cinco horas de sometimiento a la muestra de datos basales.
De acuerdo al equipo de investigación de la Universidad de Houston que está tras este estudio, luego de realizar varios ajustes, la red propuesta logró alcanzar un 100% de precisión en su trabajo con conjunto de imágenes de entrenamiento, un 96,8% de precisión con otro conjunto de imágenes de validación y un 95,2% con un tercer conjunto de imágenes de prueba.
El informe con los detalles desprendidos de este trabajo fue publicado en la revista IEEE Open Journal of Engineering in Medicine and Biology.