El cribado cervical es el proceso de reconocimiento y expulsión de tejido o células anormales en el cuello del útero antes de desarrollar lesiones cervicales precancerosas o malignidad cervical, que es a lo que llamamos cáncer cervical temprano. Sin embargo, tanto las lesiones precancerosas como los cánceres cervicales tempranos pueden tratarse de manera eficiente. El virus del papiloma humano es la infección viral más común del tracto reproductivo y puede causar cáncer de cuello uterino. Según la OMS el cáncer cervical es el cuarto cáncer más frecuente en las mujeres con un estimado de 530.000 nuevos casos en 2012 que representan el 7,9% de todos los cánceres femeninos.
El cribado del cáncer de cuello uterino es una parte esencial de la atención médica rutinaria en una mujer que tiene como objetivo la prevención secundaria del cáncer cervical. Hay dos tipos de pruebas para el cribado del cáncer de cuello uterino: cribado basado en citología (prueba de Papanicolaou) y pruebas de VPH. El Papanicolau busca Pre cáncer, células anormales en el cuello del útero que pueden convertirse en cáncer si no se tratan junto con condiciones no cancerosas, como infección e inflamación. La prueba del VPH busca virus del papiloma humano en las células cervicales.
La inteligencia artificial, comúnmente conocida como IA, ya supera las capacidades humanas. Los coches autodirigidos utilizan AI para realizar algunas tareas de manera más segura que las personas. Las empresas de comercio electrónico utilizan AI para adaptar los anuncios de productos a los gustos de los clientes con mayor rapidez y precisión que cualquier analista de marketing.
Y pronto se utilizará la IA para «leer» las imágenes biomédicas con mayor precisión que el personal médico, proporcionando una mejor detección temprana del cáncer cervical a un costo menor que los métodos actuales.
Sin embargo, esto no significa necesariamente que los radiólogos pronto esten fuera del negocio de la salud.
«Los seres humanos y las computadoras son muy complementarios«, dice Xiaolei Huang, profesora asociada de Ciencias de la Computación e Ingeniería. «Eso es lo que trata AI.»
Huang dirige el Laboratorio de Análisis y Emulación de Datos de Imagen, donde trabaja con inteligencia artificial relacionada con la visión y los gráficos o, como ella dice, «creando técnicas que permiten a las computadoras entender las imágenes como los humanos». Para entender las imágenes biomédicas.
Ahora, como resultado de 10 años de trabajo, Huang y su equipo han creado una técnica de detección de cáncer cervical que, basándose en un análisis de un conjunto de datos muy grande, tiene el potencial para realizar, mejor que, la interpretación humana o de otro tipo los resultados tradicionales de cribado, como las pruebas de Papanicolau y las pruebas para el virus del papiloma humano (VPH), a un costo mucho menor. La técnica podría utilizarse en países menos desarrollados, donde ocurre el 80 por ciento de las muertes por cáncer de cuello uterino.
El sistema de selección de Huang se basa en clasificadores basados en imágenes (un algoritmo que clasifica datos) construido a partir de un gran número de Cervigrammes. Cervigrammes son imágenes tomadas por cervicografía digital, un método de examen visual no invasivo que toma una fotografía del cuello uterino. Las imágenes, cuando se leen, están diseñadas para detectar la neoplasia intraepitelial cervical (CIN), que es el cambio potencialmente precanceroso y el crecimiento anormal de las células escamosas en la superficie del cuello uterino.
«Los cervigramas tienen un gran potencial como una herramienta de detección en las regiones de escasos recursos donde las pruebas clínicas como el Pap y el VPH son demasiado caras para ser ampliamente disponibles«, dice Huang. «Sin embargo, hay preocupación sobre la eficacia global de Cervigrams debido a los informes de la mala correlación entre el reconocimiento visual de la lesión y la enfermedad de alto grado, así como desacuerdo entre expertos al clasificar resultados visuales.»
Huang pensó que los algoritmos informáticos podrían ayudar a mejorar la precisión en la clasificación de las lesiones mediante el uso de información visual, una corazonada que, hasta ahora, está demostrando ser correcta.
Describen sus resultados en un artículo en la edición de marzo de Pattern Recognition titulado «Multi-feature base benchmark for cervical dysplasia classification”.
(Referencia de base de múltiples características para la clasificación de la displasia cervical).
