EE.UU – 9/1/2019
El algoritmo de « deep learning » ayuda a diagnosticar condiciones que no son fácilmente evidentes para los médicos o investigadores.
Un algoritmo de aprendizaje profundo está ayudando a los médicos e investigadores a identificar una serie de trastornos genéticos raros mediante el análisis de imágenes de las caras de las personas.
En un artículo publicado el 7 de enero en Nature Medicine, los investigadores describen la tecnología detrás de la ayuda de diagnóstico, una aplicación para el móvil llamada Face2Gene. Se basa en algoritmos de aprendizaje automático y en redes neuronales similares a las del cerebro para clasificar rasgos faciales distintivos en fotos de personas con trastornos congénitos y del neurodesarrollo. Usando los patrones que se infieren de las imágenes, el modelo se enfoca en posibles diagnósticos y proporciona una lista de opciones probables.
Los médicos han estado utilizando la tecnología como una ayuda, aunque no pretende proporcionar diagnósticos definitivos. Pero sí plantea una serie de preocupaciones éticas y legales, dicen los investigadores. Estos incluyen sesgos étnicos en los conjuntos de datos de capacitación y la fragmentación comercial de las bases de datos, lo que podría limitar el alcance de la herramienta de diagnóstico.
Los investigadores de FDNA, una compañía de salud digital en Boston, Massachusetts, entrenaron por primera vez el sistema de inteligencia artificial (AI) para distinguir el síndrome de Cornelia de Lange y el síndrome de Angelman, dos afecciones con características faciales distintas, de otras afecciones similares. También enseñaron el modelo para clasificar diferentes formas genéticas de un tercer trastorno conocido como síndrome de Noonan.
Luego, los investigadores, liderados por el director de tecnología de FDNA, Yaron Gurovich, alimentaron el algoritmo con más de 17,000 imágenes de casos diagnosticados que abarcan 216 síndromes distintos. Cuando se presentaron nuevas imágenes de rostros de personas, la mejor conjetura diagnóstica de la aplicación fue correcta en aproximadamente el 65% de los casos. Y al considerar múltiples predicciones, la lista de los diez principales de Face2Gene contenía el diagnóstico correcto aproximadamente el 90% del tiempo.
Reduciendo el campo
Eventualmente, FDNA quiere desarrollar esta tecnología para ayudar a otras compañías a filtrar, priorizar e interpretar variantes genéticas de importancia desconocida durante el análisis de ADN. Pero para entrenar sus modelos, FDNA necesita datos.
Por lo tanto, la aplicación está disponible de forma gratuita para los profesionales de la salud, muchos de los cuales usan el sistema como una segunda opinión para diagnosticar trastornos genéticos raramente vistos, dice la coautora del estudio Karen Gripp, genética médica en Nemours / Alfred I. Hospital duPont para niños en Wilmington, Delaware. También puede proporcionar un punto de partida en los casos en que un médico no sabe qué hacer con los síntomas de un paciente. « Es como una búsqueda en Google », dice Gripp.
Gripp, quien también es el oficial médico jefe de FDNA, usó el algoritmo para ayudar a diagnosticar el síndrome de Wiedemann-Steiner en una niña que trató en agosto pasado. Aunque era un poco corta para su edad, la niña de cuatro años no tenía muchas de las características físicas distintivas del síndrome, aparte del hecho de que había perdido la mayor parte de sus dientes de leche y varios dientes de adultos ya estaban llegando.
Gripp había leído informes de casos que describían el crecimiento dental prematuro en niños con síndrome de Wiedemann-Steiner, un trastorno extremadamente raro causado por mutaciones en un gen llamado KMT2A. Para apuntalar la confianza en el diagnóstico, Gripp subió una foto de su joven paciente a Face2Gene. El síndrome de Wiedemann-Steiner apareció entre los principales éxitos del software.
Gripp confirmó posteriormente el diagnóstico de la niña con una prueba de ADN dirigida. Pero dice que el enfoque de la inteligencia artificial le ayudó a reducir las posibilidades y ahorró el costo de las pruebas de paneles de múltiples genes más costosos.
‘Fenomenal’
La precisión del programa ha mejorado ligeramente a medida que más profesionales de la salud suben fotos de pacientes a la aplicación, dice Gurovich. Ahora hay unas 150.000 imágenes en su base de datos.
Y en una comparación no oficial realizada entre Face2Gene y los médicos clínicos en agosto pasado en un taller sobre defectos de nacimiento, el programa superó a las personas. Charles Schwartz, genetista del Greenwood Genetic Center en Greenwood, Carolina del Sur, distribuyó imágenes faciales de diez niños con síndromes « bastante reconocibles » y pidió a los asistentes que presentaran los diagnósticos correctos.
En solo dos casos, más del 50% de los 49 genetistas clínicos participantes eligieron el síndrome correcto. Face2Gene hizo la llamada correcta para siete de las imágenes.
« Fallamos miserablemente, y Face2Gene lo hizo fenomenal », dice Paul Kruszka, genetista clínico del Instituto Nacional de Investigación del Genoma Humano de EE. UU. en Bethesda, Maryland. Pronto, dice, « Creo que todos los pediatras y genetistas tendrán una aplicación como esta y la usarán como su estetoscopio ».
Silos y sesgos
El algoritmo es tan bueno como su conjunto de datos de entrenamiento, y existe un riesgo, especialmente cuando se trata de trastornos poco comunes que afectan solo a un pequeño número de personas en todo el mundo, que las empresas e investigadores comenzarán a clasificar y mercantilizar sus conjuntos de datos. « Eso amenaza el principal bien potencial de esta tecnología », dice Christoffer Nellåker, un biólogo computacional de la Universidad de Oxford, Reino Unido, quien ha encabezado los esfuerzos para facilitar el intercambio de datos en este campo.
Y el sesgo étnico en los conjuntos de datos de entrenamiento que contienen en su mayoría caras caucásicas sigue siendo una preocupación. Un estudio realizado en 2017 sobre niños con discapacidades intelectuales encontró que mientras que la tasa de reconocimiento de Face2Gene para el síndrome de Down fue del 80% entre los niños blancos belgas, solo fue del 37% para los niños negros congoleños. Sin embargo, con un conjunto de datos de capacitación más diverso, la precisión del algoritmo para las caras africanas mejoró, lo que demuestra que es posible lograr una representación más equitativa de poblaciones diversas.
« Sabemos que este problema debe ser abordado », dice Gurovich, « y a medida que avanzamos podemos tener menos y menos sesgos ».
Fuente en inglés: https://www.nature.com/articles/d41586-019-00027-x
