La inteligencia artificial (IA) está emergiendo como un componente clave en el diagnóstico médico mediante imagen, incluida la ecocardiografía.
La IA aplicando deep learning ya se ha utilizado de forma automática en el etiquetado, las mediciones y la interpretación. A medida que aumenta el desarrollo y el uso de la IA en la ecocardiografía, los profesionales empiezan a plantear posibles preocupaciones. Este informe, desde la perspectiva de un ecografista, se centra en definir la IA, los conceptos básicos de la tecnología, identificar algunas aplicaciones actuales de la IA y cómo su uso puede mejorar la atención al paciente en el futuro.
Comentario
La IA está evolucionando hacia un enfoque importante en la medicina que puede ser aplicable a la ecocardiografía para abordar problemas de inconsistencia y variabilidad entre observadores e intraobservador durante la adquisición e interpretación de imágenes. En comparación con otras modalidades, como la tomografía computarizada, la imagen nuclear, y la resonancia magnética, la ecocardiografía a menudo se ve afectada por la variabilidad interobservador y una fuerte dependencia del nivel de experiencia. Es imperativo encontrar formas de disminuir la variabilidad entre los ecocardiografistas, mejorar la eficiencia y disminuir el tiempo de adquisición. Aquí es donde la IA podría ser extremadamente ventajosa para el beneficio de pacientes, ecografistas y cardiólogos. La última guía de la ASE sobre la realización de un examen transtorácico completo recomienda obtener la friolera de más de 100 imágenes, los autores de esta revisión afirman que podría ser beneficioso que la IA ayude a adherirse a estas guías de ASE para estandarizar las proyecciones y las mediciones en ecocardiografía.
"IA" es un término amplio que abarca cualquier programa informático (algoritmos y modelos) que imita la lógica y la inteligencia humanas. Muchos términos se utilizan para describir diferentes subcampos y técnicas dentro de la IA.
El machine learning (aprendizaje automático) y el deep learning (aprendizaje profundo) son dos subcampos que sirven como la base de la mayoría de las funciones de la IA. El machine learning utiliza técnicas y datos estadísticos para aprender de las experiencias para hacer predicciones sobre nuevos datos. El machine learning implica programar una computadora para almacenar, aprender y analizar datos. Un ejemplo real sería un programa que puede analizar dos proyecciones ecocardiográficos apicales y producir un valor exacto de la fracción de eyección (FE) sin trazar bordes y valorando los volúmenes ventriculares; porque el programa fue "entrenado" en miles de imágenes con FE conocidas, es capaz de producir un valor de FE que es tan preciso como la de un cardiólogo experto con más de 20 años de experiencia (para más datos consultar Circ Cardiovasc Imaging 2019;12:e009303).
El deep learning es un tipo de machine learning que se utiliza en circunstancias en las que se deben procesar una gran cantidad de datos. Estas redes de deep learning se basan en configuraciones multicapa que se conocen como red neuronal artificial para procesar datos. Estas redes neuronales artificiales, a menudo con cientos de capas de profundidad, pueden entrenarse a partir de grandes conjuntos de datos y hacer predicciones precisas basándose en datos desconocidos recién recogidos. También tienen la capacidad de aprender de sus experiencias, pero requieren que el conjunto de datos de "formación" inicial sea preciso y sin sesgos. Entrenar sin sesgos es de vital importancia y significa que los datos iniciales están libres de influencias externas que pueden nublar la información, como información demográfica o información médica adicional que pueda sugerir cierto diagnóstico. Sin sesgo también significa que el conjunto de datos de "formación" es lo suficientemente grande para contener una amplia variedad de pacientes. Un ejemplo real sería que podemos entrenar un algoritmo de deep learning en un conjunto de proyecciones ecocardiográficas etiquetadas de pacientes con miocardiopatía hipertrófica y use ese algoritmo para predecir la miocardiopatía hipertrófica de nuevas imágenes (para más datos consultar Circulation 2018;138:1623-35).
Los autores mencionan potenciales aplicaciones futuras de la IA en ecocardiografía:
- Con el uso creciente de la ecocardiografía tridimensional, las herramientas cuidadosamente desarrolladas con algoritmos de aprendizaje supervisado tienen el potencial para determinar si las estructuras se pueden ver y luego guiar adquisición para un clip más diagnóstico.
- En la interpretación ecocardiográfica la IA ofrece la probabilidad de aumentar no solo la precisión de la lectura de las imágenes sino también su contextualización.
- Comparar en tiempo real la imagen obtenida con una imagen de un examen ecocardiográfico anterior, permitiendo que el médico intérprete compare "manzanas con manzanas".
Esto no viene exento de algunas limitaciones y retos en el desarrollo:
- Incluso en el marco de un algoritmo perfecto, si los datos que se ingresan son de mala calidad o están sesgados, la interpretación también será de mala calidad.
- Se debe poner énfasis en la creación de estándares uniformes que sean consistentes entre los proveedores, permitiendo así la integración entre los diferentes algoritmos y permitiendo que los algoritmos se ejecuten en diferentes equipos.
- Sería útil tener un conjunto de estándares para la gestión de datos de IA, similar al sistema de comunicación y archivo de imágenes y los formatos DICOM (Digital Imaging and Communications in Medicine). Estos estándares para la gestión de la IA incluirían la nomenclatura estandarizada utilizada para crear un sistema uniforme para el almacenamiento y la recuperación de datos.
Los ecocardiografistas se enorgullecen de obtener estudios diagnósticos de alta calidad y reconocen las dificultades y la experiencia técnica necesarias. Estas habilidades y técnicas se aprenden durante muchos años. Es comprensible que los ecografistas puedan tener algunas preocupaciones al leer sobre la implementación de técnicas de IA en ecocardiografía. Pueden preguntarse si los exámenes ecocardiográficos podrían convertirse en algo tan automatizado que los ecocardiografistas se vuelven obsoletos. Pueden preguntarse si todos los proveedores de atención médica podrían tener transductores que se conecten a sus teléfonos celulares y, después de obtener algunas imágenes, lleguen a un diagnóstico. Es posible que les preocupe que puedan ser reemplazados por sistemas de escaneo remoto usando robótica, similar a como se realizan ahora algunos procedimientos quirúrgicos, pero esto parece un futuro muy lejano.
Como conclusiones de su revisión los autores afirman que la IA:
- Tendrá un papel importante en la ecocardiografía.
- Guiará la adquisición y optimización de imágenes.
- Para el análisis de imágenes puede ayudar en la interpretación.
- Es una herramienta que no sustituirá a los ecografistas, pero les ayudará a ser más eficientes.
Referencia
Artificial Intelligence and Echocardiography: A Primer for Cardiac Sonographers
- Ashlee Davis, Kristen Billick, Kenneth Horton, Madeline Jankowski, Peg Knoll, Jane E. Marshall, Alan Paloma, Richie Palma, David B. Adams.
- J Am Soc Echocardiogr 2020;33:1061-6.
