Resumen
La inteligencia artificial es un campo de la ciencia y la ingeniería que se ocupa de la comprensión computacional de comportamientos inteligentes y la creación de artefactos que exhiben tales comportamientos, lo que permite a las computadoras funcionar y pensar de manera similar a la de los seres humanos. Esta tecnología ayuda a superar los múltiples retos que enfrentan los profesionales de la salud y aporta al diagnóstico, al manejo y al pronóstico de los pacientes. Actualmente se están desarrollando varios modelos para la endoscopia digestiva, incluyendo algunos que permiten la detección de estructuras anatómicas que pueden ayudar en el entrenamiento de los médicos, servir como guía durante los procedimientos endoscópicos o para la estratificación de lesiones premalignas y malignas. De esta forma disminuirían los falsos negativos y se proporcionarían más tratamientos oportunos. En la actualidad existen sistemas computarizados de detección de lesiones y de diagnóstico en los distintos segmentos de la vía digestiva, cada uno con funciones particulares que proporcionan asistencia durante los procedimientos. Todo esto se ha llevado a cabo con el fin de reducir los riesgos derivados de los factores humanos y ambientales, entre otros, los cuales pueden afectar el diagnóstico y el manejo de las enfermedades. Los modelos de inteligencia artificial en la endoscopia digestiva pueden, además de mejorar la impresión visual de los endoscopistas, disminuir la curva de aprendizaje a través de la aplicación de tecnologías precisas. De esta manera, se reduce la diferencia entre los endoscopistas expertos y menos expertos. En este artículo se discuten los avances tecnológicos de la inteligencia artificial en la endoscopia digestiva y los aspectos futuros relacionados.
Introducción
Inteligencia artificial: conceptos básicos
La inteligencia artificial (IA) es una rama de las ciencias de la computación cuyo ejecución de comprensiones inteligentes a partir de un conjunto de modelos.1 Usando un conjunto de algoritmos, la IA es capaz de funcionar y pensar como un ser humano mediante un proceso de aprendizaje basado en el entrenamiento y tiene como ventaja el poder completarlo en menor tiempo que el ser humano.1 Adicionalmente, esta tecnología puede integrar el aprendizaje de máquinas (machine learning, ML) y una rama de éste, el aprendizaje profundo (deep learning, DL).2
El ML es un subgrupo de la IA que se caracteriza por la utilización de modelos matemáticos para el aprendizaje de datos que posteriormente permitirán el reconocimiento de patrones.3 A partir de los algoritmos se crean modelos predictivos que permiten el análisis de datos y la resolución de problemas complejos. Asimismo, el ML puede ser supervisado, no supervisado y de reforzamiento:2,4,5
- El aprendizaje supervisado está basado en el entrenamiento a partir de datos bien categorizados o etiquetados (supervisión externa). Los datos etiquetados son divididos para el entrenamiento y la validación interna. Este tipo de aprendizaje está basado en la regresión, la clasificación y la caracterización.2,3
- El aprendizaje no supervisado o automatizado es el modelo que aprende de datos no categorizados y que permite al algoritmo actuar sin ningún tipo de guía, basándose en el entendimiento de patrones y, por ende, requiriendo mayor cantidad de información.2,3
- El aprendizaje de reforzamiento no requiere datos ni supervisión para alimentarse sino que está basado en el aprendizaje del entorno a partir de recompensas.2,3
El DL es una categoría especial del ML, el cual está basado en la arquitectura de redes neuronales análogas a las del cerebro humano.3 Consiste en una capa inicial que recibe una entrada o input; a esta capa la sigue un conjunto de capas medias ocultas o hidden layers y, a continuación, la capa final de salida u output (Figura 1). Cada capa de esta red consiste en un grupo de neuronas o nodos que convierten (activación) un input en output a partir de funciones matemáticas.2 El output de una capa anterior sirve de input para la capa siguiente, y así sucesivamente, hasta llegar a la capa de salida y obtener un resultado o detección.2,3
Figura 1. Representación esquemática de la arquitectura de los modelos de redes neuronales convolucionales.
Jorge Baquerizo -Burgos ID· María Egas-Izquierdo ID· Doménica Cunto ID· Carlos Robles-Medranda ID
Departamento de Endoscopia, Instituto Ecuatoriano de Enfermedades Digestivas (IECED), Guayaquil, Ecuador.
Para descargar la investigación completa haga clik a continuación:
