Exploring learning environments for label\-efficient cancer diagnosis

El cáncer sigue siendo uno de los desafíos más formidables de la medicina moderna, una enfermedad que cobra innumerables vidas y supone una pesada carga para los sistemas de salud mundiales. Un paso crítico para combatirlo es la detección temprana, donde los médicos examinan muestras de tejido bajo un microscopio para detectar tumores antes de que se propaguen. Este proceso, conocido como histopatología, depende de expertos altamente capacitados para distinguir entre el tejido sano y los crecimientos cancerosos. Sin embargo, este trabajo manual es lento y agotador; un solo portaobjetos puede tardar hasta treinta minutos en ser analizado por un especialista, y la demanda de tal pericia suele superar la oferta. Para acelerar la atención, los científicos han recurrido a las computadoras, enseñándoles a reconocer patrones de cáncer en imágenes. Durante años, estos sistemas informáticos requirieron vastas bibliotecas de imágenes que habían sido cuidadosamente etiquetadas por expertos humanos para aprender qué buscar. La recopilación de estas imágenes etiquetadas es una tarea difícil, costosa y lenta, lo que crea un cuello de botella que limita la rapidez con la que estas herramientas pueden desarrollarse y utilizarse.

Un nuevo estudio realizado por investigadores de la Universidad Jamia Millia Islamia y la Universidad China de Hong Kong explora una forma de sortear este cuello de botella. Investigaron si las computadoras podrían aprender a diagnosticar el cáncer de manera efectiva sin necesidad de que cada imagen sea etiquetada por un humano. El equipo probó tres métodos diferentes para enseñar a estos sistemas informáticos. El primer método, conocido como aprendizaje supervisado, es el enfoque tradicional donde la computadora aprende solo de imágenes que han sido completamente etiquetadas. El segundo método, el aprendizaje semisupervisado, permite que la computadora aprenda de un pequeño número de imágenes etiquetadas mientras también observa un conjunto mucho mayor de imágenes no etiquetadas para encontrar patrones. El tercer método, el aprendizaje autosupervisado, intenta enseñar a la computadora utilizando únicamente imágenes no etiquetadas, pidiéndole que descubra sus propias reglas sobre qué hace que una imagen sea similar a otra. Los investigadores querían ver si el segundo y el tercer método podían igualar el rendimiento del enfoque tradicional de imágenes totalmente etiquetadas, particularmente para tres tipos comunes de cáncer: mama, pulmón y riñón.

Para probar estas ideas, los investigadores reunieron tres conjuntos distintos de imágenes médicas. Un conjunto contenía casi 8,000 imágenes de tejido mamario, otro tenía más de 16,000 imágenes de tejido pulmonar y el tercero incluía más de 7,000 imágenes de tejido renal. Estas imágenes provenían de diferentes fuentes y tenían diferentes formatos, asegurando que los resultados fueran robustos. Luego, el equipo creó siete escenarios de entrenamiento diferentes. En el primer escenario, utilizaron únicamente imágenes totalmente etiquetadas. En los siguientes cinco escenarios, mezclaron imágenes etiquetadas y no etiquetadas en proporciones variables, que iban desde la mitad y la mitad hasta una situación en la que solo el diez por ciento de las imágenes estaban etiquetadas. En el escenario final, utilizaron únicamente imágenes no etiquetadas. Alimentaron estos diferentes conjuntos de datos en tres potentes modelos informáticos preexistentes diseñados para reconocer patrones en imágenes. A estos modelos se les pidió luego clasificar cada imagen como benigna, es decir, inofensiva, o maligna, es decir, cancerosa.

Los resultados revelaron una jerarquía clara en cómo funcionaron los diferentes métodos de aprendizaje. Como era de esperar, el método tradicional que utilizaba únicamente imágenes totalmente etiquetadas produjo los resultados más precisos. Sin embargo, el enfoque semisupervisado, que utilizó una mezcla de datos etiquetados y no etiquetados, se acercó notablemente. En muchos casos, los modelos informáticos entrenados con solo una pequeña fracción de datos etiquetados funcionaron casi tan bien como aquellos entrenados con todos los datos etiquetados. Por ejemplo, al diagnosticar el cáncer de riñón, un modelo entrenado con solo el treinta por ciento de imágenes etiquetadas y el setenta por ciento de imágenes no etiquetadas logró una precisión de casi el 98 por ciento, una cifra muy similar a la del modelo entrenado con todos los datos etiquetados. Incluso cuando la cantidad de datos etiquetados se redujo a solo el diez por ciento, el rendimiento se mantuvo sólido. Esto sugiere que la computadora puede aprender lecciones valiosas de las imágenes no etiquetadas, utilizándolas para comprender la estructura general del tejido antes de enfocarse en los signos específicos del cáncer.

El tercer método, el aprendizaje autosupervisado, que dependía enteramente de imágenes no etiquetadas, produjo puntuaciones de precisión más bajas que los otros dos métodos. Aunque no alcanzó el rendimiento de los enfoques de imágenes totalmente etiquetadas o semisupervisadas, aun así logró identificar patrones de cáncer con cierto grado de éxito, demostrando que las computadoras pueden extraer información útil incluso sin guía humana. Entre los tres modelos informáticos probados, uno conocido como EfficientNetB0 superó consistentemente a los demás en los tres tipos de cáncer y en todos los métodos de aprendizaje. Logró las tasas de precisión más altas, alcanzando casi el 92 por ciento para el cáncer de mama y más del 98 por ciento para el cáncer de riñón cuando utilizaba las mejores condiciones de entrenamiento.

El estudio concluye que el requisito estricto de cantidades masivas de datos etiquetados puede no ser necesario para un diagnóstico de cáncer eficaz. Los investigadores encontraron que el aprendizaje semisupervisado ofrece una alternativa altamente viable, permitiendo a los equipos médicos construir herramientas de diagnóstico potentes incluso cuando solo tienen acceso a un número modesto de muestras etiquetadas. Este es un hallazgo significativo porque reduce la barrera de entrada para el desarrollo de estas tecnologías. Si un hospital o un laboratorio de investigación tiene miles de imágenes no etiquetadas pero solo unos pocos cientos de imágenes etiquetadas, aún puede entrenar a una computadora para que asista en el diagnóstico con alta fiabilidad. El trabajo sugiere que el futuro de la detección automatizada del cáncer no depende únicamente de la laboriosa tarea de etiquetar cada una de las imágenes, sino de métodos inteligentes que puedan aprender de la vasta cantidad de datos no etiquetados que ya están disponibles en los archivos médicos.