Page 3 - RETIC_NOV_2019_Vol_2_1

Revista de ecocardiografía
práctica y otras técnicas de imagen cardíaca

Inteligencia artificial en ecocardiografía

La inteligencia artificial (IA) es una disciplina tecnicocientífica que en los últimos años ha presentado un potencial de desarrollo
espectacular, produciendo una revolución similar a la que se generó en el siglo XIX con la revolución industrial. La IA invade
L gran parte de nuestras actividades diarias, desde las simples, como es dirigirse con Google Maps a nuestro trabajo diario, a las
más complejas, como calcular la fracción de eyección en un estudio ecocardiográfico que se ha realizado en ese trabajo diario. Andrew
Ni, uno de los científicos más conocidos del campo, tratando de expresar su futura ubicuidad, define la IA como “la electricidad del
siglo XXI”.

El nombre de “inteligencia artificial” fue acuñado formalmente en 1956 durante la conferencia de Dartmouth organizada por Marvin Mins-
ky, John McCarthy y Claude Shanon, que se considera como la reunión científica que fue germen de la AI como nuevo campo científico .
(1)
De una manera simple se puede definir la IA como la actividad generada por una máquina que imita las funciones intelectuales y de
conocimiento que los humanos asociamos a la inteligencia humana, tales como razonar, aprender y solucionar problemas.

La ecocardiografía como método diagnóstico, sin duda, es el pilar básico de las técnicas de imagen cardíaca por su amplia difusión, tanto en el
diagnóstico como en el pronóstico de la patología cardíaca. Existen muchas situaciones en las que, sin embargo, el diagnostico, basado en la
experiencia del observador y en el uso de las diferentes guías, no permite un diagnóstico razonable o simple como, por ejemplo, establecer el
diagnóstico diferencial entre hipertrofia patológica o fisiológica, evaluar la positividad de una ecocardiografía de estrés o establecer el diagnósti-
co entre constricción o restricción, entre otros muchos. Un punto débil de esta técnica es el alto nivel de variaciones intraobservador e interob-
servador en las mediciones, como son la determinación de los volúmenes ventriculares y la fracción de eyección, más aún en ecocardiografías
de calidad subóptima.

El uso de la inteligencia artificial en ecocardiografía y, específicamente, los métodos de maching learning pueden significar un aumento de las
capacidades diagnósticas, así como la seguridad en la obtención de la información sobre la anatomía y función cardíaca, que puede modificar
el futuro de su uso en nuestra práctica diaria.

Inteligencia artificial, machine learning y deep learning

Dentro de la IA el campo del machine learning recoge la capacidad de aprender de la máquina por sí misma, usando grandes conjuntos de datos,
y con mínima supervisión. Por tanto, en lugar de reglas fijas escritas en código, machine learning permite que las computadoras aprendan por
sí mismas. Un ejemplo bien conocido es el deep-mind de Google, que consiguió ganar al campeón del mundo de Go, aplicando técnicas de
machine learning y entrenándose con una gran base de datos que recogía jugadas de expertos en el juego. Este tipo de aprendizaje aprovecha
la potencia de cálculo de los ordenadores actuales, que pueden procesar fácilmente grandes conjuntos de datos en poco tiempo. Un ejem-
plo típico del uso del machine learning es la detección de spam por los ordenadores en la selección de correo electrónico. A la máquina se le
proporciona una información de los correos electrónicos que se reciben por mail y se consideran spam y, a partir de ahí, la máquina aprende a
distinguir los mismos.

Un salto importante se produce en esta última década, momento en que la máquina es capaz de aprender directamente de los datos, sin ningún
tipo de supervisión humana en un proceso que se conoce como deep learning. Este proceso se basa en la utilización de redes neuronales cuyo
diseño está basado en el cerebro humano y, más específicamente, en la utilización de las conexiones neuronales de la retina humana. Una red
neuronal puede aprender de los datos, de manera que se puede entrenar para que reconozca patrones, clasifique datos y pronostique eventos
futuros.

RETIC 2019 (2); 1: I-V I