Unboxing #5 Cómo la inteligencia artificial está mejorando el diagnóstico por imagen, con Ángel Alberich-Bayarri

Resumen de la entrevista

AdrIAn: ¿Cómo crees que está transformando la IA el trabajo de los radiólogos y especialistas en imagen médica?

Ángel Alberich-Bayarri: La inteligencia artificial está impactando en la radiología a distintos niveles. En primer lugar, ha permitido desarrollar algoritmos que reconstruyen imágenes más rápido, reduciendo el tiempo que los pacientes deben pasar en una máquina. En el caso de los TAC, también permite disminuir la dosis de radiación sin perder calidad en la imagen, gracias a modelos de deep learning.   

Otro gran avance es la aplicación de IA para la detección automática de enfermedades. Los radiólogos ahora cuentan con un “compañero virtual” que resalta zonas de interés en las imágenes, ayudando a identificar patologías. Para lograr esto, se entrenan modelos de IA con grandes volúmenes de datos etiquetados por expertos o con técnicas de referencia (ground truth).   

Un ejemplo es la espondiloartritis axial, una enfermedad cuyo diagnóstico suele retrasarse hasta siete años. Con IA, podemos construir bases de datos de resonancias magnéticas bien etiquetadas y entrenar algoritmos para detectar la enfermedad antes de lo que se consigue con los métodos tradicionales. Todo este desarrollo nos permite crear productos sanitarios con certificaciones como CE y FDA, facilitando su integración en hospitales y beneficiando a los pacientes.   

AdrIAn: ¿Cuáles dirías que son los principales desafíos que enfrenta la IA en el entorno médico?

Ángel Alberich-Bayarri: Más allá del rechazo al cambio por parte de algunos profesionales, el verdadero reto es encontrar el lugar adecuado para la IA dentro del flujo de trabajo clínico. No basta con desarrollar un modelo que diagnostique una patología; debemos definir cuándo y cómo debe utilizarse.

Otro desafío crucial es el acceso a datos. En España, la información clínica está fragmentada en distintos sistemas sin un ID único de paciente, lo que complica la recopilación de datos para entrenar modelos de IA. Las startups deben establecer acuerdos hospital por hospital, retrasando el desarrollo de nuevas soluciones. En EE.UU., la FDA exige que al menos el 50% del dataset para la validación de un producto provenga de pacientes estadounidenses, lo que representa otro obstáculo.

AdrIAn: ¿Cómo podemos vincular lo que hacéis en QUIBIM con la salud de precisión? ¿Qué papel juega la IA en la medicina personalizada? 

Ángel Alberich-Bayarri: Nosotros entendemos la salud de precisión y la medicina personalizada como la mejor capacidad para estratificar a los pacientes. 

La salud debe considerarse incluso antes del diagnóstico, cuando las personas aún son preasintomáticas y no presentan ninguna patología identificada. En este contexto, la inteligencia artificial ha permitido analizar grandes volúmenes de datos para avanzar en la medicina de precisión, ofreciendo nuevas posibilidades en la prevención y el tratamiento de enfermedades. 

Aunque estos productos aún no están disponibles, su desarrollo ya está en marcha. Gracias a la IA, se pueden utilizar los datos clínicos de los pacientes de manera más efectiva, identificando patrones que podrían indicar riesgos futuros. Esto representa un avance en la atención médica, facilitando diagnósticos tempranos y tratamientos personalizados. 

AdrIAn: ¿Puedes compartir un caso donde el software de QUIBIM haya impactado el diagnóstico o tratamiento de un paciente? 

Ángel Alberich-Bayarri: En oncología, la inteligencia artificial ha permitido combinar datos clínicos con imágenes médicas para desarrollar modelos predictivos.  

En el caso del cáncer de pulmón, es posible analizar información como la respuesta a la inmunoterapia, el historial de tabaquismo y la presencia de biomarcadores como el PDL-1. Estos datos, al integrarse con imágenes de TAC, proporcionan una visión más completa de la evolución de la enfermedad y del estado del paciente. 

El análisis de una imagen médica no solo se enfoca en el tumor, sino que también permite evaluar otros aspectos de la salud del paciente, como la cantidad de grasa subcutánea, el estado de su metabolismo y su nivel de actividad física. Esta información adicional es crucial para determinar factores de riesgo y personalizar aún más los tratamientos, optimizando su eficacia. 

Gracias a estos modelos predictivos, la selección de pacientes para determinadas terapias se vuelve más precisa, permitiendo identificar aquellos que obtendrán mayores beneficios de ciertos tratamientos.