Con las nuevas tecnologías, en muy poco tiempo hemos podido ver cómo nuestra forma de cuidar nuestra salud y relacionarnos con la medicina ha cambiado muchísimo. Ahora, existe una prueba científica para detectar casi todo tipo de patologías –y, si no está creada aún, es seguro que se encuentra en proceso.
Por ello, es cada vez mayor la dependencia que tenemos en las máquinas para poder obtener información exacta. Ya que, solo con ella es posible ofrecer los diagnósticos más acertados.
Con esto en mente, es fácil comprender que mientras mayor sea la calidad de la tecnología, mayor será la veracidad de los datos arrojados y la efectividad de los tratamientos. Sin embargo, ello implica que, para una mejor calidad también hay que pagar un precio mayor.
Esto no debería tener ningún problema mientras continuara siendo asequible. Sin embargo, en algunas oportunidades la exigencia de la máquina es tal que, el desembolso de dinero debe ser significativo. Para poder equilibrar esto, los científicos de la Universidad de Zurich pensaron en la posibilidad de traer la inteligencia artificial (IA) a la ecuación.
La IA solo necesita que la entrenen
Ya en otras oportunidades se ha visto que la IA podría tener usos muy beneficiosos en diferentes áreas de la medicina. No obstante, muchas personas siguen sin tener una confianza total en el uso de estas nuevas herramientas.
Para poner su propio grano de arena en la introducción al uso de estos equipos, Neda Davoudi, Xosé Luís Deán-Ben y Daniel Razansky plantearon la conjunción de un nuevo sistema de visualización de tejidos conocido como imagen optoacústica o fotoacústica con la inteligencia artificial.
Este sistema, a diferencia de otros como los rayos X, es capaz de ofrecer imágenes mucho más detalladas de los tejidos a los que es expuesto ¿El problema? Para poder ser verdaderamente exacto necesita una gran cantidad de sensores que se ubiquen a lo largo de toda la zona de interés.
O esta fue la problemática hasta que Davoudi, Deán-Ben y Razansky encontraron la solución. Básicamente, si se entrena la IA con imágenes fotoacústica de alta calidad y luego se la pone a trabajar de la mano con equipos con un número de sensores más reducido, la IA “corregirá” automáticamente los errores de lectura o los espacios faltantes de información que no hayan podido ser captados por los sensores.
Un descubrimiento que podría tener muchas utilidades
Los científicos de Zurich han dicho que esta posibilidad no solo podría ser beneficiosa para los estudios de imagen optoacústica únicamente. Básicamente, afirman que la IA podría ser utilizada para mejorar la calidad de imagen de cualquier lector de este estilo que se use actualmente en la medicina.
Por ahora, solo han probado la capacidad de la IA entrenada con ratones de laboratorio. Pero, han declarado que su siguiente paso es comenzar a probar su eficacia en tejidos humanos para determinar la verdadera posibilidad de uso que podría tener esta nueva fusión.
Pros y contras de su uso
A pesar de que este sistema podría ofrecer una forma no solo más económica sino menos invasiva de realizar los estudios, la verdad es que también tiene algunos puntos débiles. Por ejemplo, la imagen fotoacústica, a diferencia de sus predecesoras, no cuenta con la posibilidad de penetrar con demasiada profundidad el tejido.
Debido a esto, con o sin la ayuda de la IA, este sistema de sensores solo puede producir imágenes de aquello que se encuentre a unos pocos centímetros por debajo de la piel. Aunque no es perfecto, este nuevo sistema ofrece un gran número de ventajas antes mencionadas.
Además de ellas, también cuenta con una ventaja que se ve reflejada en la comodidad del médico y del paciente. Después de todo, para poder ver detalles más allá de los óseos como el tejido particular o las vías sanguíneas, este sistema no pide la introducción de componentes de contraste en el organismo de la persona –cosa que sí hacen otros exámenes más antiguos. Es claro que la imagen optoacústica sostenida por IA no es perfecta. Pero, al menos vemos que se encuentra en un claro intento de mejorarse a sí misma para convertirse en su mejor versión posible.
Referencia:
Deep learning optoacoustic tomography with sparse data: https://doi.org/10.1038/s42256-019-0095-3
