As máquinas cada vez fan máis traballos dos que ata agora se encargában os humanos, o próximo podería ser a detección de enfermidades: unha nova empresa chamada Enlitic ten a vista posta na consulta do médico e quere usar a computación para facer diagnósticos baseados en imaxes.

O cofundador e director executivo de Enlitic, Jeremy Howard, antigo presidente e director científico da start-up de análise de datos Kaggle, afirma que a idea é ensinar aos computadores para recoñecer distintas lesións, enfermidades e desordes ensinándolles centos de radiografías, IMR, TAC e outras imaxes. Howard cre que coa experiencia suficiente, un computador pode detectar problemas e chamar a atención cara ás imaxes inmediatamente para que o médico as investigue. Isto podería aforrar aos especialistas o labor de ter que revisar moitísimas imaxes.

Asistimos a unha explosión da aplicación práctica da aprendizaxe automática nos últimos anos grazas a que os computadores de alta potencia son máis avanzados e os algoritmos melloraron á hora de ensinar aos computadores para recoñecer patróns. Algúns dos proxectos máis recentes de aprendizaxe automática tentan imitar o funcionamento do cerebro humano, xa sexa co software ou o hardware, un enfoque que se denomina "aprendizaxe profunda". Se lle presentas a un computador unha cantidade suficiente de imaxes dun taxi amarelo pola rúa, por exemplo, pode empezar a recoñecer taxis amarelos que vexa noutra rúa ou outras circunstancias. Esta é a estratexia que está a usar Enlitic.

Con todo, aínda que o uso da aprendizaxe automática na visión artificial avanzou moito, Howard afirma que a aplicación en medicamento aínda leva moito atraso.

Para Enlitic a idea é que se presentas a un computador unha cantidade suficiente de imaxes dunha enfermidade, por exemplo tumores cerebrais, poderá empezar a detectalos automaticamente para os médicos.

Howard sinala que as imaxes das enfermidades tenden a ser bastante consistentes, o que debería facilitar a aprendizaxe automática. Un taxi amarelo pode parecer en todo tipo de contornas, pero o ángulo, a posición e as cores dunha radiografía de peito tenden a ter o mesmo aspecto. Isto facilita illar as diferenzas crave entre as imaxes, achando por exemplo, que unha inclúe un tumor.

Posto que para facer un diagnóstico completo fai falta máis que simplemente saber que buscar nunha imaxe, Howard explica que os médicos poderían usar Enlitic para escanear unha base de datos xigante e en constante evolución en busca de todas as imaxes de fígados parecidos ao dun paciente determinado, por exemplo. "Non se trata de buscar píxeles parecidos senón, baseándose nun algoritmo de aprendizaxe profunda, buscar resultados esperados parecidos e intervencións útiles similares", afirma.

Ademais, os avances recentes nas técnicas de aprendizaxe automática implican que, en teoría, os computadores poderían conseguir información útil dos patróns de comportamento dos pacientes, de como soa a voz do paciente ao describir unha dor, ou o aceno de dor do enfermo cando se presiona unha lesión. Howard cre que co tempo este tipo de datos poderíanse usar coa visión artificial de Enlitic para facer diagnósticos aínda máis rápidos e precisos.

Enlitic entra nun territorio que xa está explorado en parte: en 2011 investigadores da Universidade de Stanford (EEUU) informaron de que adestraran a un computador para analizar imaxes microscópicas de cancro de mama con máis precisión que os humanos.

E algúns xigantes da informática xa están a dedicar importantes recursos a organizar a extensa cantidade de información médica existente. O sistema informático Watson de IBM, por exemplo, está a colaborar cos médicos do Centro para o Cancro MD Anderson da Universidade de Texas (EEUU) a identificar patróns nos gráficos e historiais médicos de máis de 100.000 pacientes. E Microsoft lanzou o seu programa InnerEye, cuxo obxectivo é analizar imaxes médicas e identificar a progresión dunha enfermidade.

Polo momento todas estas máquinas seguen necesitando operadores humanos, aínda que Enlitic espera conseguir que coa súa axuda o factor humano sexa que moito máis rápido detectando enfermidades.

"Non pretendemos substituír aos radiólogos", afirma Howard. "Pretendemos darlles a información que necesitan para que fagan o seu traballo 10 veces máis rápido".