Melanoma de unos 2,5 centímetros de diámetro. Foto: Wikimedia Commons

En un mundo actual cada vez hay más datos que se recopilan por doquier. Tanto es así que se ha acuñado el término infoxicación para definir la saturación de información a la que son sometidos los profesionales de diferentes campos. Organizar esta información puede ayudar a tomar decisiones médicas o económicas que, en última instancia, también puede ayudar a salvar vidas. Un equipo de investigación de la Universidad de Córdoba (UCO) trabaja en el desarrollo de métodos de clasificación ordinal, un tipo de modelos de clasificación que ha resultado ser más preciso que clasificadores tradicionales, entre otros, en el campo de la biomedicina como son la detección de melanomas o el emparejamiento de donante-receptor en los trasplantes de hígado.

El grupo de investigación Aprendizaje y Redes Neuronales Artificiales (AYRNA) ha desarrollado varios de estos algoritmos que aprenden de los datos basándose en técnicas estadísticas, matemáticas y de inteligencia computacional. “Los datos los podemos clasificar de diferentes maneras, como, por ejemplo, de forma binaria. Sería la forma en la que ordenamos a las personas de manera general: o son de hombres o son mujeres”, ejemplifica César Hervás, director del equipo científico. Esta vía permite diferenciar datos de una manera básica, pero hay otras más complejas. “Podemos introducir más variables para clasificar los datos e, incluso, ordenarlos de mayor a menor en una escala”, continúa Hervás, catedrático del Departamento de Informática y Análisis Numérico en la UCO. El equipo que dirige ha aplicado esta clasificación de datos de manera ordinal en diversos campos y ha obtenido resultados prometedores.

Melanoma

En una línea desarrollada conjuntamente por la UCO con las universidades de Sevilla y Loyola Andalucía, se ha creado un sistema de detección para la clasificación de melanomas a partir de imágenes dermatoscópicas. A partir de los datos extraídos de estas imágenes (información sobre variaciones de color, textura, borde…), el sistema clasifica la lesión de la piel del paciente como benigna o maligna y en el segundo caso, además, identifica en qué etapa se encuentra el desarrollo del tumor “De esta manera, el médico puede identificar el avance de la enfermedad y establecer un tratamiento más dirigido a partir de una prueba no invasiva”, establece el profesor Hervás.

Los resultados de este trabajo han sido publicados recientemente en la revista científica IEEE Transactions on Medical Imaging.

El diagnóstico actual del melanoma se basa generalmente en una inspección visual del dermatólogo o dermatóloga. Si existen evidencias la presencia del melanoma se procede a realizar una biopsia para determinar la profundidad del mismo, que determina la etapa de evolución de la enfermedad y está directamente relacionada con la tasa de supervivencia, información con la que el especialista establece las medidas a tomar. Según la Organización Mundial de la Salud, sólo en la Unión Europea se diagnostican 100.000 nuevos casos de melanoma cada año con una tasa de mortalidad de entre el 9-12%. Una detección temprana del tumor permitiría reducir tanto la mortalidad de la enfermedad como la profundidad de las intervenciones quirúrgicas que se llevan a cabo para que la enfermedad no colonice otros órganos o tejidos.

Trasplantes hepáticos

 El grupo AYRNA también emplea sistemas de clasificación ordinal para los trasplantes de hígado. Según el dossier de la Organización Nacional de Trasplantes, ONT, de 2015, en dicho año fueron 2282 los pacientes que ingresaron en lista de espera de un órgano para un trasplante hepático, para tener una calidad de vida razonable o vivir más tiempo. Sin embargo, se calcula que sólo hay un millar de donantes, de este órgano, al año en España. Es decir, aproximadamente cuatro de cada cinco solicitantes no verá satisfecha esta necesidad. Los médicos deben priorizar qué pacientes son los beneficiados por un trasplante, lo que supone una gran responsabilidad.

A partir de datos de supervivencia y mejora de las condiciones de vida de los pacientes trasplantados (a quince días, tres meses, medio año y un año), el equipo científico junto con el equipo de los doctores Briceño y De la Mata del hospital Reina Sofía, estableció un modelo que facilita al hospital la toma de decisiones. El método organiza a los futuros beneficiarios en categorías y prioriza unos candidatos respecto a otros según unos criterios objetivos. “No trata de substituir el criterio médico, que es más amplio, sino que le dota de una serie de información cuantitativa que puede ser tenida en cuenta a la hora de tomar una decisión tan difícil”, indica Hervás. Esta línea ha sido expuesta recientemente en la 11th International Conference on Hybrid Artificial Intelligent Systems y en dos trabajos en revistas de prestigio en el año 2014.

A. Sáez, J. Sánchez-Monedero, P.A. Gutiérrez, C. Hervás-Martínez, ‘Machine Learning Methods for Binary and Multiclass Classification of Melanoma Thickness From Dermoscopic Images’, IEEE Transactions on Medical Imaging. 2016 Apr; 35(4):1036-45. doi: 10.1109/TMI.2015.2506270. Epub 2015 Dec 7.

M. Dorado-Moreno, M. Pérez-Ortiz, M. D. Ayllón-Terán, P. A. Gutiérrez y C. Hervás-Martínez. "Ordinal Evolutionary Artificial Neural Networks for Solving an Imbalanced Liver Transplantation Problem". 11th International Conference on Hybrid Artificial Intelligent Systems (HAIS2016). 2016. pp. 451-462.

 M. Pérez-Ortiz, M. Cruz-Ramírez, M. D. Ayllón-Terán, N. Heaton, R. Ciria y C. Hervás-Martínez. "An organ allocation system for liver transplantation based on ordinal regression", Applied Soft Computing, Vol. 14, January, 2014, pp. 88–98

Briceño, J.; Cruz-Ramirez, M.; Prieto, M.; Navasa, M.l; Ortiz de Urbina, J.; Orti, R.; Gomez-Bravo, M. A; Otero, A.; Varo, E.; Tome, S.; Clemente, G.; Bañares, R.; Barcena, R.; Cuervas-Mons, V. Solórzano G., Vinaixa C., Rubín A., Colmenero J., Valdivieso A., Hervás-Martínez C., de la Mata M. Use of artificial intelligence as an innovative donor-recipient matching model for liver transplantation: Results from a multicenter spanish study. Journal of Hepatology 2014.61(5):1020-1028