A Systematic Review of Deep Learning Algorithms for the Early Detection of Chronic Disease

Las enfermedades crónicas como el cáncer, la insuficiencia cardíaca, la diabetes y las afecciones hepáticas son las principales causas de muerte y discapacidad en todo el mundo. Se desarrollan lentamente con el tiempo, ocultando a menudo su presencia hasta que han causado un daño significativo. Debido a que detectar estas enfermedades a tiempo puede salvar vidas y reducir el sufrimiento, los médicos y científicos buscan constantemente mejores formas de detectarlas antes de que aparezcan los síntomas. En años recientes, una rama de la informática conocida como aprendizaje profundo (deep learning) ha surgido como una herramienta poderosa para esta tarea. A diferencia de los programas informáticos antiguos que requerían que los humanos les enseñaran manualmente qué buscar, los sistemas de aprendizaje profundo pueden enseñarse a sí mismos. Lo hacen estudiando vastas cantidades de información, como imágenes médicas, resultados de análisis de sangre o registros del ritmo cardíaco, y aprendiendo a reconocer patrones sutiles que los ojos humanos podrían pasar por alto. Esta capacidad de encontrar señales ocultas en datos complejos ofrece una nueva esperanza para predecir enfermedades mucho antes de que se vuelvan críticas.

Un equipo de investigadores de la Universidad de Ingeniería y Tecnología de Chittagong en Bangladesh se propuso comprender exactamente hasta dónde ha llegado esta tecnología. No realizaron un nuevo experimento, sino que llevaron a cabo una búsqueda masiva y organizada a través de miles de estudios científicos existentes para ver qué se ha descubierto ya. Siguiendo un estricto conjunto de reglas utilizadas para garantizar la imparcialidad y la precisión en las revisiones científicas, filtraron cientos de artículos publicados entre 2018 y 2026. De un grupo inicial de 800 estudios, seleccionaron cuidadosamente 55 informes de alta calidad que se centraban específicamente en el uso del aprendizaje profundo para la detección temprana de enfermedades crónicas. Su objetivo era mapear el panorama de la investigación actual, identificando qué modelos informáticos funcionan mejor, qué datos utilizan y en qué áreas todavía tiene dificultades la tecnología.

Los investigadores descubrieron que los modelos informáticos más exitosos dependen fuertmente del tipo de datos que están analizando. Cuando la tarea consiste en observar imágenes, como radiografías, escaneos de RM o imágenes de microscopio de tejidos, un tipo específico de modelo de aprendizaje profundo llamado Red Neuronal Convolucional es el líder indiscutible. Estos sistemas sobresalen al detectar formas, texturas y límites dentro de las imágenes. En estudios centrados en el cáncer, particularmente en el cáncer de mama y de piel, estos modelos enfocados en imágenes alcanzaron un éxito notable, con algunos llegando a tasas de precisión de hasta el 99,5 por ciento. Por ejemplo, un estudio utilizó un modelo para analizar miles de imágenes de tejido mamario e identificó correctamente el cáncer en casi todos los casos, mientras que otro sistema distinguió entre diferentes tipos de tumores cutáneos con una precisión similar. Estos modelos se están volviendo tan buenos que a veces pueden ver detalles que son invisibles al ojo humano, ofreciendo una poderosa segunda opinión para los patólogos.

Sin embargo, no todos los datos médicos llegan en forma de imágenes. Parte de la información, como los latidos del corazón, las ondas cerebrales o el historial médico de un paciente a lo largo de muchos años, llega como una secuencia de números que cambian con el tiempo. Para estos tipos de datos, se requieren arquitecturas informáticas diferentes. La revisión destacó que los modelos diseñados para recordar información pasada, como las redes de Memoria a Corto Plazo (Long Short-Term Memory), son particularmente efectivos para las enfermedades cardíacas y la diabetes. Estos sistemas pueden rastrear cómo evoluciona la condición de un paciente, detectando tendencias peligrosas en el ritmo cardíaco o en los niveles de azúcar en sangre que una instantánea única pasaría por alto. En la predicción de enfermedades cardíacas, modelos específicos como el HQNN alcanzaron una precisión del 99,8 por ciento. Del mismo modo, para la diabetes, nuevos enfoques que combinan diferentes tipos de aprendizaje han demostrado la capacidad de pronosticar la aparición de la enfermedad, con un estudio que alcanzó un 75 por ciento de precisión al predecir el inicio de la diabetes tipo 2 con siete años de antelación utilizando datos que van desde simples análisis de sangre hasta complejos marcadores genéticos.

A pesar de estas impresionantes cifras, los investigadores fueron cuidadosos al señalar que la tecnología aún no está lista para reemplazar a los médicos en cada clínica. Un obstáculo importante es la falta de datos de alta calidad y etiquetados. Para enseñar a una computadora a reconocer una enfermedad, los científicos necesitan miles de ejemplos donde la respuesta ya se conoce, pero tales conjuntos de datos suelen ser pequeños, incompletos o sesgados. Además, estos poderosos sistemas informáticos son a menudo "cajas negras", lo que significa que pueden dar una respuesta correcta sin explicar por qué llegaron a esa conclusión. En medicina, conocer el razonamiento detrás de un diagnóstico es tan importante como el diagnóstico mismo. La revisión también señaló que muchos de los estudios más exitosos fueron probados solo en entornos controlados o en conjuntos de datos locales específicos, y no está claro si funcionarían igual de bien en diferentes hospitales o con diferentes poblaciones de pacientes.

Los autores concluyen que, si bien el aprendizaje profundo ha demostrado su potencial para revolucionar la detección temprana de enfermedades, queda un trabajo significativo por delante antes de que pueda ser ampliamente confiable en la práctica médica cotidiana. El camino a seguir implica la creación de colecciones de datos médicos más grandes y diversas, así como el desarrollo de métodos que hagan que estos modelos informáticos sean más transparentes y fáciles de entender. La revisión sugiere que el futuro reside en enfoques híbridos, donde se combinen diferentes tipos de modelos para manejar tanto imágenes como datos basados en el tiempo simultáneamente, y en el uso de inteligencia artificial explicable que pueda decirle a un médico exactamente qué vio para tomar su decisión. Hasta que estos desafíos se superen, el aprendizaje profundo probablemente servirá mejor como un asistente sofisticado, ayudando a los profesionales médicos a detectar los signos más tempranos de enfermedades crónicas y dando a los pacientes una mejor oportunidad de una vida saludable.