Artificial Intelligence Algorithms for the Detection of Pathologies Related to Lung Cancer through Image Analysis using Convolutional Neural Networks and Data Augmentation: a systematic mapping of the literature

El cáncer de pulmón sigue siendo una de las amenazas más formidables para la salud pública mundial, debido en gran medida a que detectarlo a tiempo suele ser la diferencia entre la vida y la muerte. El método estándar para detectar la enfermedad consiste en tomar imágenes tridimensionales detalladas del tórax mediante rayos X, un proceso conocido como tomografía computarizada. Estas imágenes revelan las intrincadas estructuras dentro de los pulmones, lo que permite a los médicos buscar pequeños crecimientos anormales llamados nódulos. Sin embargo, la lectura de estas tomografías es una tarea exigente que requiere de expertos altamente capacitados para examinar miles de imágenes, un cuello de botella que puede retrasar el diagnóstico y limitar el acceso a la atención médica. En años recientes, ha surgido un nuevo tipo de herramienta para asistir a estos especialistas: la inteligencia artificial. Específicamente, los investigadores han estado desarrollando programas informáticos inspirados en el cerebro humano, conocidos como redes neuronales, que pueden aprender a reconocer patrones en imágenes tal como lo hace una persona. Cuando estas redes se diseñan específicamente para imágenes, se denominan redes neuronales convolucionales. Estas funcionan escaneando una imagen y resaltando sus características más importantes, como la forma o la textura de un nódulo, para ayudar a determinar si es peligroso.

Una revisión reciente de la literatura científica, realizada por Pablo Ramírez Amador en la Universidad Abierta Interamericana en Buenos Aires, analiza de cerca cómo se están utilizando actualmente estos sistemas informáticos para detectar el cáncer de pulmón. El estudio examinó 96 artículos de investigación publicados entre 2015 y el presente, buscando en las principales bases de datos científicas para encontrar el trabajo más relevante en el campo. El objetivo no era probar una sola máquina nueva, sino mapear todo el panorama de la investigación existente, comprendiendo qué métodos funcionan mejor y dónde se encuentran los mayores obstáculos. Los investigadores se centraron en dos técnicas específicas que han mostrado ser prometedoras: el aprendizaje por transferencia (transfer learning) y el aumento de datos (data augmentation). El aprendizaje por transferencia permite que un programa informático que ya ha aprendido a reconocer objetos generales, como gatos o coches, sea adaptado para la tarea específica de detectar nódulos pulmonares, ahorrando tiempo y recursos. El aumento de datos es un método para crear más material de entrenamiento tomando imágenes existentes y alterándolas ligeramente —rotándolas, cambiando su tamaño o añadiendo un poco de ruido visual— para que la computadora vea muchas más variaciones de la misma cosa y aprenda a ser más robusta.

La revisión encontró que estas herramientas de inteligencia artificial son, de hecho, capaces de ofrecer una alternativa altamente efectiva para el diagnóstico temprano del cáncer de pulmón, igualando a menudo la sensibilidad y especificidad de los expertos humanos. Los estudios analizados demostraron que el uso de redes preentrenadas, como las conocidas como VGG16 o ResNet, combinadas con el aumento de datos, conduce a una alta precisión en la identificación del cáncer de pulmón de células no pequeñas, que es la forma más común de la enfermedad. Los modelos informáticos son capaces de procesar los complejos datos de las tomografías computarizadas y señalar problemas potenciales con un nivel de precisión que sugiere que podrían convertirse en una parte vital del proceso de diagnóstico. Sin embargo, el artículo también deja claro que esta tecnología aún no es un producto terminado listo para su uso inmediato y generalizado en todos los hospitales. Los investigadores identificaron desafíos significativos que deben resolverse antes de que estas herramientas puedan ser confiables en entornos clínicos del mundo real. Un problema importante es la falta de datos estandarizados; diferentes hospitales utilizan diferentes máquinas y protocolos, lo que puede confundir a los modelos informáticos. También existen serias preocupaciones sobre la privacidad de la información del paciente y la necesidad de comprender exactamente cómo la computadora llega a sus conclusiones, una cualidad conocida como explicabilidad, para que los médicos puedan confiar en los consejos que reciben.

En última instancia, el trabajo concluye que, si bien la inteligencia artificial tiene un inmenso potencial para mejorar la atención de los pacientes con cáncer de pulmón, no es una solución mágica que reemplazará a los médicos humanos. El camino a seguir requiere más investigación para perfeccionar estos algoritmos y nuevas regulaciones para asegurar que sean seguros, fiables y éticos. La revisión sugiere que el futuro de la detección del cáncer de pulmón reside en una asociación donde estos poderosos sistemas informáticos actúen como un segundo par de ojos, ayudando a detectar enfermedades de manera más temprana y precisa, pero solo si la comunidad científica aborda las limitaciones actuales respecto a la calidad de los datos y la transparencia del modelo. Hasta entonces, la tecnología sigue siendo una poderosa promesa más que un estándar de atención plenamente realizado, esperando a que se tomen los pasos necesarios para llevarla de forma segura a la clínica.