El cofundador y director ejecutivo de Enlitic, Jeremy Howard, antiguo presidente y director científico de la start-up de análisis de datos Kaggle, afirma que la idea es enseñar a los ordenadores a reconocer distintas lesiones, enfermedades y desórdenes enseñándoles cientos de radiografías, IMR, TAC y otras imágenes. Howard cree que con la experiencia suficiente, un ordenador puede detectar problemas y llamar la atención hacia las imágenes inmediatamente para que el médico las investigue. Esto podría ahorrar a los especialistas la labor de tener que revisar muchísimas imágenes.
Hemos asistido a una explosión de la aplicación práctica del aprendizaje automático en los últimos años gracias a que los ordenadores de alta potencia son más avanzados y los algoritmos han mejorado a la hora de enseñar a los ordenadores a reconocer patrones. Algunos de los proyectos más recientes de aprendizaje automático intentan imitar el funcionamiento del cerebro humano, ya sea con el software o el hardware (ver "Los chips neuromórficos tendrán una inteligencia alienígena"), un enfoque que se denomina "aprendizaje profundo". Si le presentas a un ordenador una cantidad suficiente de imágenes de un taxi amarillo por la calle, por ejemplo, puede empezar a reconocer taxis amarillos que vea en otra calle u otras circunstancias. Esta es la estrategia que está usando Enlitic.
Sin embargo, aunque el uso del aprendizaje automático en la visión artificial ha avanzado mucho, Howard afirma que la aplicación en medicina todavía lleva mucho retraso.
Para Enlitic la idea es que si presentas a un ordenador una cantidad suficiente de imágenes de una enfermedad, por ejemplo tumores cerebrales, podrá empezar a detectarlos automáticamente para los médicos.
Howard señala que las imágenes de las enfermedades tienden a ser bastante consistentes, lo que debería facilitar el aprendizaje automático. Un taxi amarillo puede parecer en todo tipo de entornos, pero el ángulo, la posición y los colores de una radiografía de pecho tienden a tener el mismo aspecto. Esto facilita aislar las diferencias clave entre las imágenes, hallando por ejemplo, que una incluye un tumor.
Puesto que para hacer un diagnóstico completo hace falta más que simplemente saber qué buscar en una imagen, Howard explica que los médicos podrían usar Enlitic para escanear una base de datos gigante y en constante evolución en busca de todas las imágenes de hígados parecidos al de un paciente determinado, por ejemplo. "No se trata de buscar píxeles parecidos sino, basándose en un algoritmo de aprendizaje profundo, buscar resultados esperados parecidos e intervenciones útiles similares", afirma.
Además, los avances recientes en las técnicas de aprendizaje automático implican que, en teoría, los ordenadores podrían conseguir información útil de los patrones de comportamiento de los pacientes, de cómo suena la voz del paciente al describir un dolor, o la mueca de dolor del enfermo cuando se presiona una lesión. Howard cree que con el tiempo este tipo de datos se podrían usar con la visión artificial de Enlitic para hacer diagnósticos aún más rápidos y precisos.
Enlitic entra en un territorio que ya está explorado en parte: en 2011 investigadores de la Universidad de Stanford (EEUU) informaron de que habían entrenado a un ordenador para analizar imágenes microscópicas de cáncer de mama con más precisión que los humanos.
Y algunos gigantes de la informática ya están dedicando importantes recursos a organizar la extensa cantidad de información médica existente. El sistema informático Watson de IBM, por ejemplo, está colaborando con los médicos del Centro para el Cáncer MD Anderson de la Universidad de Texas (EEUU) a identificar patrones en los gráficos e historiales médicos de más de 100.000 pacientes. Y Microsoft ha lanzado su programa InnerEye, cuyo objetivo es analizar imágenes médicas e identificar la progresión de una enfermedad.
Por el momento todas estas máquinas siguen necesitando operadores humanos, aunque Enlitic espera conseguir que con su ayuda el factor humano sea que mucho más rápido detectando enfermedades.
"No pretendemos sustituir a los radiólogos", afirma Howard. "Pretendemos darles la información que necesitan para que hagan su trabajo 10 veces más rápido".