Biomedicina · global
La lección visual de las palomas: ¿puede cubrir el instante que la IA médica pasa por alto?
Investigadores de Estados Unidos incorporaron palomas a un estudio de reconocimiento de imágenes pulmonares; el verdadero foco no es hacer que las aves diagnostiquen cáncer, sino entender cómo humanos y máquinas fallan ante lesiones tempranas.
La parte más difícil del diagnóstico temprano del cáncer a menudo no es que la lesión esté completamente ausente, sino que aparece solo como una señal de imagen extremadamente sutil. Cuando los radiólogos buscan nódulos pulmonares entre grandes volúmenes de estudios, y cuando a los modelos de IA se les pide distinguir anomalías entre ruido, sombras y variaciones anatómicas normales, la pregunta pasa a ser: ¿qué tipo de pistas visuales se ven y cuáles se pierden antes del juicio consciente?
Según informó The Times of India, Gregory DiGirolamo, del College of the Holy Cross en Worcester, Massachusetts, Estados Unidos, dirige una investigación que utiliza la capacidad de reconocimiento visual de las palomas para explorar si la IA médica podría detectar antes anomalías de imagen relacionadas con el cáncer. El objetivo de este trabajo no es convertir a las palomas en intérpretes clínicos, sino aprovechar su sensibilidad a los patrones visuales para observar cómo un sistema visual biológico aprende a diferenciar lo anormal de lo normal en imágenes de CT.
El reporte señala que el equipo de investigación entrenó a 6 palomas para observar segmentos breves de CT pulmonar y determinar si contenían nódulos pulmonares. Algunas palomas recibían una recompensa de comida cuando identificaban imágenes con nódulos, mientras que otras eran recompensadas al identificar imágenes normales; a medida que avanzó el entrenamiento, no solo aprendieron a clasificar, sino que también pudieron aplicar su experiencia a estudios que no habían visto antes.
Más sugestivo aún es que, según los investigadores, las palomas también mostraron capacidad para reconocer otras anomalías pulmonares, como enfisema y nódulos en vidrio esmerilado, sin haber sido entrenadas específicamente para ello. Los nódulos en vidrio esmerilado a veces se asocian con cáncer de pulmón temprano, pero su apariencia en imagen no es igual a la de los nódulos pulmonares típicos; si lo descrito en el reporte es correcto, esto sugiere que algunas anomalías podrían compartir rasgos visuales más profundos, rasgos que no necesariamente son fáciles de describir con precisión mediante el lenguaje humano.
Investigaciones relacionadas previas de DiGirolamo también apuntan a otro problema clínico: los médicos podrían haber tenido contacto visual con una zona sospechosa y, aun así, clasificar finalmente la imagen como normal. El reporte menciona que, cuando los radiólogos observaban CT con nódulos pulmonares sospechosos, sus ojos a veces se detenían cerca de la lesión y también se producían cambios en la pupila, incluso si después no clasificaban esa imagen como anormal. Esto lleva a los investigadores a sospechar que el cerebro podría detectar ciertas señales en un nivel no consciente, aunque esas señales no necesariamente logren incorporarse a la toma de decisiones clínicas.
Para convertir esta intuición en herramientas de IA, la clave no sería solo alimentar al modelo con más imágenes, sino incorporar al entrenamiento la brecha entre las imágenes, el seguimiento ocular, las respuestas fisiológicas y el diagnóstico final. En un escenario ideal, la IA podría señalar, durante la interpretación del médico, aquellas zonas anormales por las que la mirada pasó pero que no fueron marcadas de forma explícita, ayudando a reducir el riesgo de diagnósticos omitidos; sin embargo, un sistema así aún tendría que probarse con conjuntos de datos rigurosos, validación externa y flujos clínicos reales para demostrar que mejora la calidad diagnóstica, y no que aumenta la fatiga por alertas.
Por ahora, la información pública sigue siendo bastante limitada. El reporte no proporciona un artículo científico completo, datos de desempeño más allá del tamaño de la muestra, métodos de comparación, tasas de error ni una vía regulatoria, y tampoco hay otras fuentes creíbles sobre el mismo hecho que permitan una verificación cruzada. Por lo tanto, esta investigación se entiende mejor como una línea de investigación interesante: quizá las palomas puedan ayudar a los científicos a descomponer los puntos ciegos del reconocimiento visual, pero lo que realmente debe llegar a los hospitales sigue siendo una herramienta de apoyo clínicamente validada y con límites de responsabilidad claros.