Un equipo de investigación de la Universidad de Málaga ha desarrollado una herramienta basada en inteligencia artificial y clasificación automática de imágenes para mejorar la precisión de detección del melanoma, un tipo de cáncer de piel. El objetivo de los científicos es comprender cómo ‘piensa’ los sistemas de automatización para incrementar su eficacia y aplicarlos en distintos campos de la medicina.
De este modo, los expertos proponen una herramienta personalizada para cada programa de detección de lesiones. Ésta sirve para mejorar la toma de decisiones de los detectores ‘inteligentes’ que se emplean en el ámbito médico y que en última instancia ayudan a los profesionales a realizar diagnósticos. Además, se trata de un método que puede emplearse con otros programas similares de detección, como los enfocados al cáncer de mama.
Tal y como explican en su trabajo ‘Ensemble-based genetic algorithm explainer with automized image segmentation: A case study on melanoma detection dataset’ publicado en Computers in Biology and Medicine, los expertos utilizaron un enfoque basado en algoritmos genéticos (técnicas computacionales inspiradas en la evolución biológica) y la clasificación automática de imágenes para analizar y detectar patrones asociados al melanoma en un conjunto de fotografías.
Algoritmos ‘de caja negra’
La labor de los investigadores se centró en determinar cómo ‘piensa’ el algoritmo. Esto es, un código informático que ejerce una serie de pasos o instrucciones ordenadas en un programa y sirve para resolver un problema o realizar una tarea específica. Sería el equivalente a una ‘receta’ que guía a la máquina paso a paso para tomar decisiones. De este modo, el programa puede realizar cálculos y obtener resultados de forma lógica y eficiente.
No obstante, no todos los algoritmos son ‘transparentes’, es decir, que las personas que lo están empleando no pueden saber por qué toman las decisiones que toman, ni qué ‘receta’ o pasos de la misma ha seguido el sistema para obtener un resultado. “Son algoritmos ‘de caja negra’, como los que se usan en los bancos para evaluar préstamos o en las redes sociales. Nuestro trabajo se centra en explicar qué pasos y qué lógica sigue el que empleamos, enfocado a la detección de lesiones de la piel, para alcanzar conclusiones”, explica a la Fundación Descubre el investigador de la Universidad de Málaga José Manuel García-Nieto.
Para explicar cómo ‘piensa’ el algoritmo, los expertos elaboraron un ‘explicador’. Éste destaca sobre las fotografías las áreas en las que se centra el sistema para detectar el melanoma. Visualmente, se puede observar cómo se iluminan distintos píxeles en amarillo. Así, los expertos pueden saber qué área está ‘mirando’ el algoritmo ‘de caja negra’ y qué proceso lógico sigue para determinar si, por ejemplo, una mancha es un melanoma o no.
Para comprobar la efectividad de este ‘explicador’, el grupo de investigación Khaos reunió un conjunto de imágenes, procedentes de bancos gratuitos y bases de datos médicas de carácter privado, que contenían manchas, lunares, pecas y otras marcas de la piel. Normalmente, los médicos se fijan en los cambios de forma, color, tamaño o textura para determinar si son benignos o si han evolucionado en melanoma.
De este modo, se percataron de que cuando el algoritmo acertaba, se fijaba en zonas muy características de las marcas de la piel; como los médicos, mientras que cuando fallaba, se fijaba en áreas menos representativas. “Detecta distintas lesiones de la piel como el melanoma, nevus, queratosis y los lunares sanos”, comenta José Manuel García.
Diagnóstico precoz
Para contrastar la eficacia de esta herramienta, los expertos contaron con la colaboración del doctor Miguel Ángel Berciano de la Unidad de Oncología Intercentros del Hospital Universitario Virgen de la Victoria (Málaga), que junto con sus colaboradores, contrastaron las respuestas del algoritmo y orientaron a los investigadores sobre la veracidad de sus respuestas y sobre las zonas de interés para detectar posibles patologías en las marcas de la piel.
Así, los investigadores comprobaron que el ‘explicador’ funciona y añaden que, a partir del mismo, se puede ‘enseñar’ al algoritmo a seguir los pasos adecuados para detectar los casos de melanoma más complicados. “El programa no sustituye en ningún caso la labor y el diagnóstico de un médico, pero la proponemos como herramienta de prediagnóstico del melanoma, como ya se hace en otros hospitales con la inteligencia artificial que detecta el cáncer de mama”, concluye José Manuel García-Nieto.
El siguiente paso de esta investigación es transferir este ‘explicador’ a otros dominios distintos al ámbito médico, como la agricultura o la observación ambiental de la Tierra. De este modo, el ‘explicador’ podría analizar, por ejemplo, los procesos lógicos que siguen los detectores ‘inteligentes’ de plagas o cómo se procesan los datos climáticos para determinar los efectos de la sequía. “Nuestro objetivo es intentar que los algoritmos sean más transparentes y ofrecer recursos para mejorar la toma de decisiones que realiza la inteligencia artificial”, explica José Manuel García-Nieto. Este trabajo ha sido financiado por el Ministerio de Ciencia e Innovación y fondos propios de la Universidad de Málaga.
Referencias
Nematzadeh, H.; García-Nieto, J.; Navas-Delgado, I. & Aldana-Montes, J. F. (2023). ‘Ensemble-based genetic algorithm explainer with automized image segmentation: A case study on melanoma detection dataset’. Computers in Biology and Medicine, 155, 106613
El equipo de investigadores observó cambios en el...
El gen AtCDF3 promueve una mayor producción de az...
Un estudio con datos de los últimos 35 años, ind...
En nuestro post hablamos sobre este interesante tipo de célula del si...
Con la incorporación de Sanitas y las suscripciones ya firmadas con a...
