Salud Inteligente: El impacto del deep learning en la salud y la radiología

El deep learning, o «aprendizaje profundo» es una rama del aprendizaje automático que utiliza redes neuronales artificiales capaces de analizar datos y realizar tareas como la identificación de imágenes o reconocimiento del habla, similar a los humanos.

Sus potenciales y aplicaciones en la medicina están bajo la mirada de los profesionales de la medicina, programadores e investigadores. ¿Cómo se aplica la inteligencia artificial (IA) en la salud? ¿Es efectivo? Son algunas dudas que el profesor e investigador principal del Instituto Milenio iHEALTH, Dr. Denis Parra, aborda en un nuevo capítulo de Salud Inteligente.

Pese a la falta de datos de pacientes que se hacen públicos, la medicina ha integrado progresivamente la IA como apoyo en diagnósticos y procedimientos para optimizar la atención personalizada, especialmente al considerar la importancia que cobra la evolución de los modelos de lenguaje en la medicina.

«En un momento se vio la necesidad también de poder combinar o de empezar a hacer aplicaciones con otros tipos de datos, una de ellas eran las notas clínicas. En el caso de radiología en particular, muchas veces el radiólogo toma un conjunto de imágenes y escribe un reporte, entonces también hay información de texto, ahí es cuando se empieza a usar esto», explicó el investigador.

Con el objetivo de superar las barreras culturales, idiomáticas y económicas, el doctor en Informática destaca las competencias de los modelos de lenguaje y su adaptabilidad a cualquier contexto, incluso médico.

Desafíos en las aplicaciones

Uno de los principales obstáculos que reconoce Parra es la brecha de datos entre la IA y la medicina, dado que, en esta última, no existen registros tan contundentes como se esperan.

«En IA en medicina hemos tenido que usar un montón de otras estrategias para que, ante la falta de etiquetas especializadas, podamos aprender modelos de la misma manera que se puede aprender en un dominio más general», afirma el informático.

A la fecha, iHEALTH sigue investigando en nuevas técnicas de entrenamiento y nuevas alianzas que permitan ampliar la red y lograr recolectar datos locales para adaptarlos a la realidad de los pacientes de la región Latinoamericana.

«Me gustaría que acá en Chile podamos tener un sistema más integrado de recolección de datos que, por supuesto, cuide la privacidad de los datos de los pacientes, pero que nos permita conseguir más información para entrenar mejores modelos, o que estos modelos que ya existen, adaptarlos a nuestra población y así mejorar el diagnóstico y apoyar el trabajo clínico que se hace en nuestro país», destacó el profesor asociado del Departamento de Ciencias de la Universidad Católica.