La era de la Inteligencia Artificial (IA) ha llegado a la medicina. Tres son los grandes ámbitos de aplicación: 1) el descubrimiento y desarrollo de fármacos (Drug Discovery and Drug Development); 2) ensayos clínicos; y 3) los sistemas de apoyo a la decisión clínica (Clinical Decision Support -CDS- systems). Este tercero es el que ofrece una mayor capacidad para cambiar la práctica asistencial e impactar la prestación asistencial que se realiza a los pacientes.

En este tercer ámbito es donde opera Komombo, una plataforma de Inteligencia Artificial que ayuda a los patólogos a diagnosticar de forma más rápida y fiable. Mediante la homogeneización y estandarización de resultados diagnósticos, hoy en día únicamente basados en la interpretación del especialista, se quiere democratizar la diagnosis en anatomía patológica. Los modelos de IA permiten acercar capacidades específicas de análisis y diagnóstico a centros y regiones donde no hay acceso a patólogos especializados en órganos o enfermedades concretas.

Esta nueva tecnología no solo representa una innovación en las herramientas de diagnóstico por disminuir el tiempo dedicado a cada muestra, sino también por hacer frente a los grandes desafíos que presenta la anatomía patológica a día de hoy: un decrecimiento de profesionales cada vez más acusado y un aumento de trabajo debido al crecimiento de casos de cáncer año tras año a nivel mundial.

Komombo ha centrado su actividad en el desarrollo de modelos de IA de alta complejidad. Mientras que los modelos presentes en el mercado se centran en el conteo de células o en la segmentación de éstas según su tinción en pruebas de inmunohistoquímica, Komombo permite además la detección de diferentes tipos de estructuras y patrones en interpretaciones más complejas del tejido.

El desarrollo de modelos en Komombo se nutre de técnicas punteras como son Computer Vision y Deep Learning. La creación de modelos en colaboración con los patólogos ha impulsado una extensa lista de experimentos especializados para mejorar el desempeño de cada necesidad predictiva. En particular, la identificación de la importancia del Transfer Learning (o aprendizaje transferido, son el conjunto de métodos que permiten transferir conocimientos adquiridos gracias a la resolución de problemas para resolver otros problemas) y la evaluación del impacto de distintas técnicas de Data Augmentation (es la generación artificial de datos por medio de añadir copias de los datos originales con pequeñas modificaciones) y Ensemble Modeling (se refiere al proceso de combinar dos o más modelos diferentes y sintetizar los resultados para mejorar la precisión y el poder predictivo del modelo). Esta experiencia ha permitido también adaptar la plataforma mejorando su escalabilidad en el despliegue de nuevas estrategias de IA adaptadas a cada problema clínico, ya sea segmentación de estructuras, conteo celular o clasificación de biomarcadores.

Un elemento muy potente en este proceso ha sido el entrenamiento del modelo con datos específicamente seleccionados y anotados para la ocasión, haciendo que éste llegue a la excelencia.

Como empresa tecnológica, Komombo tiene expertos y doctores en IA, computer vision, blockchain y aprendizaje federado. No obstante, tiene muy presente que entender la realidad de los problemas clínicos es vital para aportar valor y desarrollar las mejores soluciones posibles. Por este motivo, para cubrir la parte médica, Komombo se ha asociado con los mejores en el campo de la Anatomía Patológica consiguiendo la excelencia en sus algoritmos.

La colaboración con el Hospital Clínic de Barcelona en el desarrollo de varios modelos (como por ejemplo el de Neumonía Intersticial Usual (NIU) cofinanciado por un CDTI y asesorado por profesionales del CSIC; y el de Cáncer Colorrectal, impulsado junto a Roche Diagnostics) es un claro ejemplo del potencial sinérgico de Komombo y muestra de la calidad de sus productos.

Efectivamente, el día a día de estas interacciones han sido y serán muy ricas ya que se traducen en aprendizajes concretos que pueden matizar o hasta marcar un antes y un después en el proyecto.

El aprendizaje más determinante en el desarrollo del modelo de NIU ha sido, sin lugar a duda, entender el flujo de decisión de un patólogo al analizar las muestras. Escuchar a los especialistas nos ha permitido detectar los problemas concretos a resolver. Al final, la construcción de un modelo se basa en el Design Thinking, la constante iteración y la empatía.

A continuación, vale la pena mostrar con algo más de detalle algunos casos que ilustran el potencial técnico de Komombo en combinación con la experiencia de profesionales en diagnóstico de anatomía patológica.

La Neumonía Intersticial Usual (NIU) es una enfermedad de difícil identificación en la cual los patólogos buscan patrones muy específicos y raros para confirmar o descartar un posible diagnóstico. Entender el diagnóstico y sus dificultades permitió desde el principio enfocar la construcción de modelos para esta enfermedad con el objetivo de ahorrar tiempo al profesional. También fue clave saber que los focos fibroblásticos y los granulomas son patrones que ocurren poco y que son esenciales para el diagnóstico de la NIU, lo que permitió enfocar los modelos en la detección de estos patrones en concreto. En las primeras versiones del algoritmo la sensibilidad era del 0%, pero en las últimas versiones la sensibilidad aumentó de forma exponencial permitiendo así un ahorro muy importante de tiempo para el patólogo.

El modelo para la detección del Cáncer Colorrectal también ha conllevado aprendizajes. La casuística era que, dado al gran volumen de muestras, la prioridad clave era descartar correctamente los patrones normales. De este modo, la construcción del modelo se enfocó con el objetivo de minimizar la tasa de falsos negativos y así generar más confianza a la hora de usar las predicciones.

En definitiva, la importancia del trabajo cercano entre el equipo de desarrollo y el equipo de patólogos permitió, por un lado, incorporar en el modelo información sobre qué patrones son los más raros y difíciles de detectar, así como entender qué patrones se confunden más; por el otro, hacer que los patólogos vieran de qué forma los modelos pueden impactar mejor en su trabajo y agilizar su proceso de decisión.

Durante la validación de los modelos, se confirmó que los patrones que creaban más confusiones por parte del modelo eran los mismos patrones que suscitaban dudas al propio patólogo a la hora de su clasificación. Por ejemplo, la identificación de patrones como la fibrosis celular y la fibrosis densa pueden inducir al modelo a confusión debido a que son patrones que aparecen frecuentemente juntos. Dichos aprendizajes han resultado en la mejora de la anotación de datos por parte de los patólogos, impactando a su vez de forma vinculante en el resultado de los modelos.

Los procesos experimentados evidencian que la interacción entre patólogos, especializados en la enfermedad a diagnosticar, y tecnólogos es clave para la riqueza de los proyectos. Esta colaboración se ha ido retroalimentando gracias al intercambio de información teniendo un impacto muy importante en el resultado final de unos modelos que pretenden ser una extensión del propio patólogo en su día a día.

La Inteligencia Artificial es una herramienta diagnóstica de alto valor añadido que permitirá el famoso “cheaper, faster, better”.

Cheaper (más barato) porque ante la escasez de patólogos los modelos de IA permitirán acceder a capacidad diagnóstica a una fracción del coste del patólogo.

Faster (más rápido) porque está demostrado que la IA es más rápida que el especialista médico a la hora de realizar la identificación visual de la muestra.

Better (mejor) porque la AI permite identificar patrones que se escapan de la capacidad humana.