El diablo está en los datos
![]() |
James K. Waldsmith, Doctor en Medicina Veterinaria Educación: Universidad Estatal de Michigan Misión de IA: Trabajamos intensamente para mejorar los resultados de los pacientes y la calidad de vida de los veterinarios ayudándolos a implementar el uso adecuado de la inteligencia artificial y herramientas relacionadas. |
El Dr. James Waldsmith afirma estar interesado en la tecnología. Decir eso es quedarse corto. El Dr. Waldsmith lleva décadas trabajando en tecnología, concretamente en imágenes digitales veterinarias. Decir que "ha estado trabajando" es quedarse corto. Decir que "ha sido pionero" es una palabra más acertada. El Dr. Waldsmith fue seleccionado como especialista en imágenes equinas para los Juegos Olímpicos de 1996 y los Juegos Panamericanos de 1999. En 1999, fundó Vetel Diagnostics, una empresa especializada en hardware y software de diagnóstico por imágenes para la comunidad veterinaria. A medida que el Dr. Waldsmith profundizaba cada vez más en la tecnología, seguía pensando en cómo se podría utilizar el software para que los veterinarios fueran más precisos y rápidos en sus diagnósticos. Su esperanza es que un mejor software se traduzca en una mejor calidad de vida para los veterinarios, a la vez que se obtienen mejores resultados para los pacientes.
Ha canalizado su interés y experiencia tecnológica en la búsqueda de datos fiables que puedan mejorar la vida de los veterinarios. Acompáñelo en su viaje con este relato en primera persona.
— Informe Bowman
Palabras de Waldsmith: Primero las malas noticias
Parece haber una avalancha de plataformas de inteligencia artificial (IA) relacionadas con el diagnóstico en el mercado. Esta avalancha ha dado lugar a plataformas que no funcionan correctamente debido a sus conjuntos de datos (o a la falta de ellos) y a redes mal diseñadas.
Los veterinarios pueden publicar una radiografía en ciertos sitios web, y estos mostrarán un árbol de diagnóstico o una lista de descartar. El problema con estos sitios es que, si se toma la misma radiografía, se ajusta el brillo o el contraste y luego se vuelve a enviar, el sitio mostrará una lista de descartar diagnóstico diferente. Esto demuestra que la base de datos está mal gestionada y es demasiado pequeña.
Mi equipo y yo en Vetel Diagnostics llevamos más de cinco años trabajando en la creación de una base de datos radiográfica que permita a la IA identificar con precisión un objeto y determinar su normalidad. Para lograr esta identificación "normal", se requieren unas 5000 radiografías de cada zona anatómica. Necesitamos 5000 radiografías laterales y 5000 verticales, además de 5000 radiografías para las vistas izquierda, frontal y posterior. En total, se necesitan 25 000 radiografías simplemente para definir la normalidad de una región anatómica. El siguiente paso es añadir miles de imágenes más para que el sistema pueda detectar anomalías.
Técnicamente hablando
Sistemas de IA como este funcionan analizando imágenes (radiografías, en este caso) y determinando su grado de normalidad. Supongamos que la IA examina una radiografía del tórax lateral de un perro. Con una base de datos completa de imágenes, la IA puede identificar la radiografía como un 88 % normal. También identifica las áreas específicas de la imagen que no se ajustan a la normalidad. Esta información le indica al veterinario qué áreas de la radiografía debe examinar para determinar si el tórax del perro presenta alguna anomalía.
Esta tecnología se denomina aprendizaje automático, un componente de la IA que realiza predicciones basadas en patrones. La máquina no aprende realmente, simplemente se le han asignado algoritmos que le permiten reconocer qué debe hacerse en determinadas circunstancias. Estos algoritmos, también conocidos como redes neuronales, constituyen un segmento sofisticado y en crecimiento de la IA que impactará cada vez más en la medicina.
La gente tiende a pensar que las computadoras aprenden como nosotros. No es así. Nosotros aprendemos en tres dimensiones, mientras que las computadoras aprenden en 16.000. Esto es importante porque ilustra cómo la computadora puede encontrar información que ni siquiera nos damos cuenta de que desconocemos.
Por ejemplo, existe una base de datos exhaustiva y seleccionada de escaneos de retina humana. Con esta base de datos, la computadora puede analizar un escaneo y determinar correctamente, con un 97 % de precisión, si la persona es hombre o mujer. Un oftalmólogo no puede hacerlo, pero se necesita un oftalmólogo para interpretar la información.
La buena noticia
Todo esto indica que la IA no reemplazará en absoluto al veterinario ni al especialista en diagnóstico. Volvamos a la radiografía del tórax lateral del perro. Una red neuronal con una base de datos completa y en buen estado puede analizar la imagen e informar que es 88 % normal, con anomalías en coordenadas específicas. El sistema proporciona una lista de descartar la patología con mayor probabilidad de ser identificada.
Incluso con esta información, el médico debe examinar la radiografía y decir: «Estoy de acuerdo con el riesgo de descartar. Este es el escenario más probable». Luego, el médico emite un diagnóstico definitivo.
En lugar de representar una amenaza para los veterinarios, la IA ayudará a responder preguntas de diagnóstico con mayor rapidez, permitiéndoles dedicar tiempo a la atención de sus pacientes. Considero que la IA es una herramienta que mejorará significativamente la calidad de vida del veterinario, además de producir mejores resultados para los pacientes con mayor rapidez.
Hablando prácticamente
El uso clave de la IA para el veterinario actual es la identificación de imágenes. Se utiliza principalmente en radiografía, como mencioné anteriormente. También se ha utilizado para descifrar sedimentos urinarios y muestras citológicas.
El procesamiento de imágenes permite a los veterinarios crear plantillas ortopédicas, planificar cirugías ortopédicas con antelación y añadir hardware, por ejemplo, en cirugías ortopédicas. Si la IA calibra una imagen, puede proporcionar mediciones precisas.
Otra aplicación importante de la IA en medicina veterinaria es la medición del tamaño del corazón. Esta herramienta de IA puede medir el tamaño del corazón de un paciente en relación con su tamaño corporal, evaluando su grado de normalidad y, por lo tanto, los riesgos de enfermedad asociados con un corazón agrandado o pequeño.
Otro uso en evolución de la IA es el ángulo de cadera de Norberg, que mide la profundidad de la cavidad articular en perros de razas medianas y grandes como predictor temprano de displasia de cadera. Los procesos automatizados de IA marcan la articulación y miden la profundidad de la cavidad.
En el futuro, veremos métodos para medir la densidad ósea relativa como un índice predictivo de la edad del esqueleto. Si la edad esquelética y la cronológica son diferentes, podremos determinar por qué el cuerpo se desgasta más.
Sea escéptico, especialmente al principio.
Los avances adicionales no se producirán al ritmo que la mayoría espera. Para que la IA sea eficaz, necesitamos datos fiables, algo difícil de encontrar en la medicina veterinaria actualmente. Si una plataforma incluye tan solo un 3 % de datos mal seleccionados o inexactos, se frustra el propósito de la IA.
Esto significa que los veterinarios deben ser cautelosos con las plataformas que adoptan. Los tecnólogos crearán una ola de marketing de mensajes que apelarán al deseo de los veterinarios de más tiempo, mejores resultados para los pacientes y quizás más dinero. Sin embargo, la industria veterinaria carece de regulación para garantizar que las plataformas de IA cuenten con datos fiables que cumplan adecuadamente estas promesas.
Cualquier estudiante de teoría de juegos sabe que, siempre que surge un juego nuevo, se recompensan las trampas hasta que todos entiendan el juego y las reglas. La industria veterinaria aún no lo entiende.
Cualquier estudiante de teoría de juegos sabe que siempre que surge un juego nuevo, se recompensa hacer trampa hasta que todos comprendan el juego y las reglas. La industria veterinaria aún no lo entiende. Hay muchas oportunidades para que la gente entre en nuestro mercado con un producto que no vería la luz en el mercado humano debido a su alto nivel de escrutinio.
Cuando los veterinarios evalúan una plataforma de IA, sugiero algunos aspectos a tener en cuenta.
- Si una plataforma de IA parece demasiado buena para ser verdad, podría serlo en este momento.
- Prueba la plataforma para ver si te ayuda a ser más preciso y a ahorrar tiempo. Si logra estas dos cosas, vale la pena. Si no, probablemente sea mejor esperar.
- Valide el conjunto de datos proporcionado por el proveedor, comparando lo que dice la red neuronal con su propia opinión o diagnóstico. Comience con los fundamentos del reconocimiento de un objeto en una imagen. ¿Reconoce la plataforma que la imagen muestra una pata delantera derecha? Si es así, observe algunas mediciones que proporciona la plataforma. Tome las mismas mediciones usted mismo y compruebe si está de acuerdo.
- Haga preguntas al proveedor. ¿Cuántos miles de puntos de datos utiliza la plataforma para cada artículo que puede identificar? ¿De cuántas capas es la red neuronal? ¿Cuál es su proceso de retropropagación o cómo se autoenseña cuando comete un error?
A medida que la práctica veterinaria continúa evolucionando, se asocia cada vez más con la perspicacia empresarial y la tecnología. Los veterinarios, en particular, necesitan cultivar una comprensión de la tecnología, porque es lo que rige el mundo.
Buena lectura
Aprendizaje profundo por el Dr. Eric Topol
Reseña del Dr. Waldsmith:
En su libro Aprendizaje profundoEric Topol, cardiólogo de Scripps Research, ha realizado un trabajo impecable al presentar una gran cantidad de información resumida en los patrones y las direcciones que probablemente seguirá la IA en la medicina. Su amplio trabajo proporciona una mejor comprensión de lo que la IA ofrece actualmente.