La charla del equipo de Diagnóstico por Imágenes del IAF propone un cambio de paradigma: que el médico no sea solo un usuario de tecnología, sino un actor crítico en su creación. Ariel Mikelini —especialista en diagnóstico por imágenes, neurorradiólogo y programador— subraya que, para tener responsabilidad sobre lo que usamos, debemos entender cómo funciona. Bajo esta premisa, el equipo coordina un laboratorio de IA donde médicos fellows y especialistas participan activamente en el diseño de algoritmos.
El equipo sostiene que los médicos, especialmente los más jóvenes, deben aprender la "anatomía de la IA". Esto implica entender el código y la arquitectura detrás de las herramientas para poder asumir una responsabilidad ética y profesional sobre los resultados que estas arrojan, evitando tratarlas como una caja negra impenetrable.
Su planteo trasciende la mera implementación de software comercial y se enfoca en el desarrollo punta a punta de modelos de deep learning. El objetivo no es reemplazar el juicio clínico, sino potenciarlo mediante herramientas que resuelven tareas tediosas y costosas, como la segmentación anatómica y el cálculo de volúmenes en resonancia magnética (RM).
* Iniciar la reproducción en 04:22:58 para ver la presentación.
La segmentación de la próstata con RM es un paso crítico para el cálculo que combina los valores de PSA (antígeno prostático específico) y el volumen de la glándula. Este cálculo es, hoy en día, un marcador clave para la toma de decisiones en oncología. Tradicionalmente, la matemática asociada se realizaba de forma manual, mediante fórmulas geométricas aproximadas (elipsoide), lo que introducía variabilidad y errores.
El equipo del IAF desarrolló un prototipo, basado en la arquitectura de red neuronal U-Net, diseñado específicamente para la segmentación de imágenes biomédicas. El proceso incluyó:
- Etiquetado de precisión: El uso de herramientas de código abierto para definir la verdad de referencia, donde expertos radiólogos enseñan a la máquina a delimitar la anatomía píxel por píxel.
- Entrenamiento y métricas: El modelo alcanzó resultados que denotan una alta fidelidad entre la predicción de la IA y la delimitación del experto humano.
- Impacto clínico: En la práctica, el sistema permite obtener volúmenes precisos en segundos, reduciendo la variabilidad entre observadores y optimizando el flujo de trabajo diario.
Durante la ponencia, el Dr. Daniel Mer destacó que la IA ya es una realidad cotidiana en el Instituto Alexander Fleming. La institución utiliza herramientas validadas por la FDA para las mamografías, la ecografía mamaria y la detección de nódulos sospechosos. Estas tecnologías actúan como una segunda opinión, que mejora la confianza del equipo médico y reduce errores de interpretación.
En concreto, el Dr. Daniel Mer detalló las siguientes herramientas que el IAF utiliza de forma rutinaria:
- Transpara (Mamografía): Funciona como una segunda opinión, reduciendo la variabilidad entre observadores y ayudando a identificar lesiones sospechosas que podrían pasar inadvertidas en ojos menos entrenados.
- Koios (Ecografía mamaria): Utiliza IA para analizar nódulos mamarios y categorizarlos según BI-RADS, apoyando la decisión de realizar o no una biopsia.
- Optimización de contraste: Se implementó una herramienta que mide y ajusta la inyección de contraste a lo justo y necesario para cada paciente, mejorando la seguridad y permitiendo auditorías de calidad inyectable.
Más allá de las herramientas, el mensaje central sigue siendo la explicabilidad. Mikelini enfatizó que el médico debe desarrollar nuevas habilidades para interactuar con estos modelos: saber cómo preguntar, cómo validar los resultados y cómo mantener un juicio crítico frente a la caja negra de los algoritmos.
Para el equipo del IAF, el futuro no es una inteligencia que reemplaza, sino una que asiste, escondiendo la complejidad técnica para que el médico pueda enfocarse exclusivamente en la performance asistencial y el bienestar del paciente.