Revisión sistemática: La Aplicación del Deep Learning en el sector Salud entre los años 2018 a 2022

Headnote

Resumen: El Deep Learning (DL) ha revolucionado el uso de la inteligencia artificial, permitiendo su aplicación en diferentes áreas del sector salud, entre las cuales, destacan herramientas como el procesamiento de imágenes, señales y lenguaje natural, mismas que influyen positivamente en la toma de decisiones en este sector, teniendo en cuenta el nivel de gravedad de diferentes enfermedades de alto riesgo que involucran la vida de los pacientes. Como resultados más destacados se presentaron datos equivalentes en cuanto a conocimiento sobre Deep Learning en diferentes países como China (86.22%), Estados Unidos de América (54.39%) y otros que no superan el 11% y así mismo se evidenció el beneficio que se presenta en el área de medicina al emplear esta herramienta.

Palabras-clave: Aprendizaje Profundo, Sector Salud, Metodología, Método, Modelo, Medicina.

Abstract: Deep Learning (DL) has revolutionized the use of artificial intelligence, allowing its application in different areas of the health sector, including tools such as image processing, signals and natural language, which positively influence decision making in this sector, taking into account the level of severity of different high-risk diseases that involve the lives of patients. As the most outstanding results, equivalent data were presented in terms of knowledge about Deep Learning in different countries such as China (86.22%), United State of America (54.39%) and others that do not exceed 11%, and the benefit presented in the area of medicine when using this tool was also evidenced.

Keywords: Deep Learning, Health Sector, Methodology, Method, Model, Medicine.

1. Introducción

El Deep Learning (DL) o aprendizaje profundo es un método de inteligencia artificial que permite a una computadora aprender y clasificar datos utilizando los niveles de selección más altos, usa múltiples capas de representación, intenta imitar la actividad en capas de neuronas en el neocórtex, con la finalidad en descubrir y aprender patrones en los datos originales. Aproximadamente el 80% del cerebro está compuesto por la sección del neocórtex, donde se produce el pensamiento. El DL tiene el potencial de transformar una variedad de industrias, especialmente en la de salud, también conocido bajo el termino de "medicina de caja negra", por lo que un algoritmo puede diagnosticar lesiones cutáneas malignas con la misma precisión que un dermatólogo certificado (Arias et al., 2019).

El aprendizaje profundo (AP) tuvo un gran impacto en los diferentes campos médicos al igual que científicos, demostrando que su uso superó tareas estándar como el procesamiento y análisis de imágenes, uno de los campos de gran potencial es el dominio médico, logrando adjuntar registros, datos de pacientes y recopilar tratamientos de manera automática y confiable (Egger et al., 2022). Además de ello, el DL se convirtió en un campo de rápida expansión y ha mostrado excelentes resultados. Consiguiendo señales de monitoreo de condiciones, vibración y la emisión acústica, que son usado en los sistemas para el Pronóstico y la Gestión de la Salud (PGS) para la obtención de información profunda a partir de datos sin procesar (Rezaeianjouybari & Shang, 2020).

La inteligencia artificial ha servido en la ayuda para el diagnóstico y tratamiento de muchas enfermedades en el sector salud. Esta tecnología al encontrarse en una fase de prueba, su uso en general no estaba disponible, se utilizaron en algunos dispositivos médicos logrando ser uno de los mejores aliados de la medicina (Sánchez et al., 2021). Las nuevas capacidades de informática han aumentado tanto que las computadoras pueden trabajar con grandes cantidades de datos, llamados Big Data (BD). Este permite el procesamiento del lenguaje y aprendizaje profundo (Navinés López, 2019).

En este escenario, el manejo de una gran cantidad de datos empleados en el proceso de entrenamiento Deep Learning (DL) brinda una mayor precisión a través de diversos operadores lógicos y bases matemáticas que se emplea para la recolección de muestras, permitiendo abordar los retos evolucionados en el sector de la salud y describir diferentes anomalías presentes en los tejidos celulares (Pokkuluri & Nedunuri, 2021). Teniendo presente todo lo mencionado se optó por la realización de una revisión sistema sobre el DL en sector de la salud, entre los periodos del 2018 a 2022, abarcando el cálculo de diagnóstico en la clasificación de imágenes, las técnicas que se abarcan este ámbito y así mismo el análisis de los algoritmos que se involucran en el desarrollo.

2. Trabajos relacionados

Para el desarrollo de esta investigación se utilizaron distintas fuentes de información bibliográficas tales como: Revista Tecnológica ESPOL, Primo Discovery y Scopus; permitiendo encontrar estudios relevantes en donde describe la aplicación del Deep Learning en el sector salud. Estos estudios son recuperados del periodo del 2018 y 2022, se describe a continuación:

Estudio realizado por Song et al. (2021) titulada Deep Learning para una clasificación fiable de imágenes de cáncer bucal, tuvo como objetivo de solucionar las imágenes de cáncer médicas intraoral con Deep Learning. Lo cual se realizó los métodos de Monte Carlo (MC) Droput y red neuronal convolucional de 19 capas (VGG19) como red base, que se ajustó mediante el uso de datos intraorales con una probabilidad de 0,5, que sirvió para analizar 371 imágenes de la mucosa de la mejilla. Los resultados obtenidos lograron una precisión del 85,6 %, mientras que la precisión de la red tradicional con abandono estándar fue del 85,1 %, se mostró un buen rendimiento de clasificación de la red bayesiana e indicó que la Binarized Neural Network no sacrificó la precisión, sino que mejoró ligeramente el rendimiento mediante el aprendizaje conjunto. En conclusión, se mejoró la confiabilidad del cáncer oral basada en el uso de DL produciendo valores de incertidumbre más altos en predicciones incorrectas y logró una mayor precisión al referirse de los casos con cáncer oral, esto permitió a los usuarios saber cuándo pueden confiar en la salida de una red. Este antecedente esta enfocado al uso del DL y el método MC utilizado para mejorar la nitidez de imágenes, logrando un mayor aprendizaje en reconocimientos de ellas a través de redes neuronales.

Hernandez et al. (2019) presentaron en su investigación que tuvo como objetivo de diseñar un sistema automatizado para la detección de la retinopatía diabética mediante imagen digital de retina, con más de 25.000 imágenes entre todas las disponibles en el Programa de Cribado de Retinopatía Diabética del País Vasco. Obteniendo como resultados que el software detecte eficazmente la diferencia entre una retina normal y patológica, a través de un algoritmo de acuerdo con las necesidades específicas, logrando alcanzar una sensibilidad del 94% y una especificidad del 96%. En conclusión, el software desarrollado facilita el proceso de cribado que mejora la eficiencia de los sistemas sanitarios y de atención al paciente, prosperando así la sostenibilidad. Estos antecedentes ayudan a la oftalmología a utilizar la DL para detectar la retinopatía diabética mediante la comparación de imágenes con algoritmos que detectan automáticamente y comparan la retina normal hasta que se detecta la retinopatía diabética.

Aggarwal et al. (2021) en su investigación de revisión sistemática sobre la evaluación diagnostica en DL en detectar patologías mediante imágenes. Tuvo como muestra a 503 estudios para el análisis, los cuales, se hallaron en las diversas bases de datos como Medline y EMBASE, además, se enfocó en los diferentes campos de la salud como metaanálisis, oftalmología, medicina. Como resultado se determinó que el DL padece de un nivel alto con respecto a detectar algunas enfermedades en un diagnóstico específico. Asimismo, una alta precisión en las especialidades mencionadas, implementando diferentes áreas de la radiología. Concluyendo que el DL es un campo con gran desarrollo en la rama de salud, particularmente en radiología. Esta investigación esta basada en algoritmos básicos del DL para detección de imágenes médicas dando beneficios para una identificación rápida y efectiva.

Gómez et al. (2021) en su investigación detección de la tuberculosis con algoritmos de DL en imágenes de radiografías del tórax, se apoyaron en algoritmos de DL y en RNA convolucionales para la detección de enfermedades a través de imágenes microscópicas, radiográficas y tomográficas. Lo cual hicieron uso de tres tipos de algoritmos de AP que fueron reconocidos tras el desarrollo de visión computacional que son VGG19, MobileNet e InceptionV? por ello se obtuvieron resultados altamente óptimos para la detección de la tuberculosis, según los datos en VGG19 se logró conseguir un 97.4% en la métrica de accuracy, 97.5% en precisión, 97.5% en recall y 97.5% en la F1-score. En conclusión, se llegó a demostrar que los algoritmos de DL pueden ser una herramienta importante para la detección de la tuberculosis, brindando al personal sanitario un nivel de precisión muy alto del 97.80% en el caso del algoritmo de MobileNet para clasificar la enfermedad, ya sea que un paciente tenga tuberculosis o no. En esta investigación se baso sobre la comparación de 3 tipos de algoritmos, el cual identifico el algoritmo más efectivo de todas ellas que sirve para la lectura de detección de enfermedades mediante diversas imágenes microscópicas, radiográficas y tomográficas para así reducir las posibilidades de contraer tuberculosis que afecta a gran parte del mundo.

3.Método de revisión

En el presente método de revisión se tuvo en cuenta las directrices de Kitchenham & Charters (2007) para la Revisión Sistemática de la Literatura (SLR, por sus siglas en ingles), un estudio para mapear, identificar, evaluar críticamente, consolidar y recopilar los resultados de estudios primarios relevantes sobre un tema de investigación determinado. El propósito de realizar SLR es resumir la investigación previa, identificar la brecha que se necesita llenar entre investigaciones anterior y la actual, producir una síntesis de informe coherente y hacer un marco de investigación. A continuación, se muestra pasos de la metodología de revisión de literatura aplicada

3.1. Problemas de Investigación

El reto de la Revisión Sistemática es explicar y evaluar los resultados de la investigación realizada sobre el tema del estudio. Por lo tanto, se han formulado y analizado los siguientes problemas de investigación (RQ).

RQ1. ¿Cuál es el algoritmo que tiene más precisión en Deep Learning?

RQ2. ¿Cuáles son la tendencia de la aplicación Deep Learning?

RQ3. ¿Cuál es el papel importante que cumple Deep Learning en el sector de salud?

3.2. Fuentes de Búsqueda y Estrategias de Búsqueda

Las fuentes de búsqueda referidas incluyen prominentes bases de datos bibliográficas de artículos científicos como: IEEE Xplore, ProQuest, Science Direct, ETHzurich, EBSCO Discovery, Taylor & Francis, IOP, ERIC, ARDI y ACM Digital Library. La estrategia de búsqueda incluyó encontrar con palabras claves para el estudio.

El procedimiento de exploración se llevó a cabo el uso de una ecuación general de análisis escrito como (A1) AND (B1 OR B2) AND (C1 OR C2 OR C3) donde el conjunto Ai representa las palabras claves relacionadas con la primera variable, es decir, Ai = {Deep Learning}; Bi representa las palabras claves relacionadas con segunda variable, refiriendo, Bi = {sector salud} y Ci representa la metodología que se utilizó en la investigación, destacando que, Ci = {método, modelo, metodología}. Se centró en términos de los problemas de investigación como se muestra la clasificación de los descriptores utilizados en la Tabla 1.

Dichos descriptores permitieron la formulación de las ecuaciones de búsqueda genérica para cada referencia, así como sus fuentes y número de resultados base (N°), se mencionan a continuación en la Tabla 2.

3.3.Criterios de selección

Se han definido criterios de exclusión (CE) para evaluar con precisión la calidad de la literatura disponible, en caso se cumpla algunos de los criterios el articulo será excluido. A continuación, se mencionan los CE establecidos:

CEi: Los artículos no tienen una antigüedad menor a 5 años.

CE2: Los artículos no están escritos en el idioma español e inglés.

CE3: Los artículos no mencionan una metodología ni modelo ni método.

CE4: Los artículos no tienen más de 1 cita.

CE5: Los artículos no mencionan Deep Learning.

CE6: Los artículos no mencionan Sector Salud.

CE7: El título y las palabras claves de los artículos no se consideraron relevantes.

CE8: El resumen de los artículos no es muy relevante.

3.4.Selección de estudios

Tras aplicar los CE se seleccionaron un total de 1000 estudios relevantes. Los CE 1 y 2 conformaron el primer filtro de estudios, reflejando que los artículos deben tener una antigüedad de más de 5 años y estar escrito en inglés o español; los CE 3 y 4, el segundo, no se consideraron artículos que no mencionaron una metodología, ni modelo, ni método y que no tenía más de 1 cita; los CE 5 y 6 el tercero, no mencionaron en los artículos el término Deep Learning y Sector Salud; los CE 7 y 8 el cuarto, no fueron relevantes el resumen, título y palabras claves. El número de resultados tras aplicar cada CE en el filtro correspondiente se detalla en la Figura 1.

3.5. Evaluación de Calidad

Cada uno de los 1000 estudios que quedaron, fueron evaluados de forma independiente. Se han definido criterios de exclusión (CE) para analizar con precisión la calidad de la literatura disponible. En conjunto, estos siete criterios proporcionaron un grado de medida en el que se puede estar seguro de que los hallazgos de los estudios podrán hacer una valiosa contribución a la revisión. Cada uno de los siete criterios se calificó de forma dicotómica ("Si" o "No"). A continuación, se mencionan los CE establecidos:

CEi: ¿Se especifican claramente los objetivos de la investigación?

CE2: ¿El estudio fue diseñado para lograr estos objetivos?

CE3: ¿Se describen adecuadamente los instrumentos de recolección de datos?

CE4: ¿Es claro el propósito del análisis de datos?

CE5: ¿Se utilizan técnicas estadísticas adecuadas para analizar los datos?

CE6: ¿Los resultados responden a los objetivos de la investigación?

CE7: ¿Qué tan claros son los vínculos entre datos, la interpretación y conclusiones?

3.6.Estrategias de extracción de datos

La etapa de recolección de datos se realizó teniendo en cuenta una serie de criterios de criterios de selección, mismos que son mencionados en el punto 3.3 del presente artículo. Para llevar a cabo la organización y clasificación de las diferentes investigaciones y artículos se empleó el Zotero como herramienta de administración, misma que se visualiza en la Figura 2.

3.7. Síntesis de hallazgos

Después de extraer la información de cada estudio, se realizó un análisis de los datos en profundidad para responder a cada una de las preguntas de investigación formuladas anteriormente en el punto 3.1.

Para la RQi, se recopiló información de los autores con respecto a conocimientos de la aplicación DL.

Para el RQ2, se identificó la tendencia sobre la aplicación del DL.

Para el RQ3, se detalló la importancia que cumple DL en el sector salud.

4.Resultados y Discusión

4.1. Panorama general de los estudios

El proceso de selección de estudios de esta revisión sistemática de la literatura resultó en 1000 estudios. En la Figura 3 se muestran las palabras más recurrentes en los títulos de los artículos considerados en el análisis sistematizado, de los cuales, las palabras que más resaltan son Deep Learning y Sector Salud como se muestra en la figura 3.

Para proporcionar a mayor detalle sobre los documentos que se encontraron, obtuvieron datos estadísticos de las fuentes. La Tabla 4 muestra el porcentaje de artículos por diferentes bases de datos. Se observa que el 48% de los estudios fueron hallados en ProQuest, lo cual proporciona el porcentaje más alto en comparación de otras. Seguido de EBSCO Discovery con 24% y Science Direct 16% que lograron ser de gran aporte para la revisión sistemática.

4.2.Respuestas a las preguntas de investigación

RQi. ¿Cuál es el algoritmo que tiene más precisión en Deep Learning?

De acuerdo a la investigación de Gómez et al. se apoyaron con tres principales tipos de algoritmos que se compone Deep Learning, tal como se muestra en la Tabla 5. Este estudio se evaluó mediante la detección de imágenes tuberculosis con el fin de determinar cuáles de los tres algoritmos tiene el nivel de precisión más efectivo, los algoritmos fueron preentrenados con un promedio de 1140 imágenes, como resultado de la revisión se pudo apreciar a MobileNet con un porcentaje mayor (97.8%) de exactitud para la detecciónde tuberculosis.

RQ2. ¿Cuál es el comportamiento que asume Deep Learning con Machine Learning?

De acuerdo con Centeno, (2019) una tendencia impulsada por la disponibilidad de mejor hardware y grandes conjuntos de datos, se ha encontrado con una tecnología emergente particularmente reciente conocida como aprendizaje profundo (AP) o DL. Por otro lado, Machine Learning (ML), especialmente el AP, muestra menos teoría matemática en comparación con el campo de las estadísticas. Esto significa que ML es un sistema aplicado en el que las ideas se prueban empíricamente en lugar de teóricamente, presentando con mayor frecuencia las estadísticas matemáticas. Sin embargo, difiere de las estadísticas en algunos aspectos, por ejemplo, ML a menudo funciona con conjuntos de datos grandes y complejos (que pueden contener millones de imágenes en cada una con miles de píxeles) para las que no se puede utilizar el análisis estadístico clásico.

La Figura 5 muestra subcampos de la inteligencia artificial (IA) lo cual proporciona comportamiento que asume Deep Learning

RQ3. ¿Cuál es el papel que cumple el Deep Learning en el sector de salud?

Según Yang (2022), manifiesta que a través del avance de computación en la nube y la transmisión de datos, la atención medica se vio favorecida respecto al gran éxito que se tuvo en el desarrollo y crecimiento de la IA en sus diferentes aplicaciones dentro del sector salud, permitiendo deducir posibles soluciones en base a las predicciones obtenidas; siendo los datos estudios clínicos en gran número, elementos relevantes para el aprendizaje de los diferentes algoritmos de inteligencia artificial.

5.Conclusiones

Este artículo presenta hallazgos de la Revisión Sistemática acerca del uso del DL en el campo de la salud, sintetizando las ideas principales de los artículos que se han tomado en cuenta para realizar dicha investigación.

Se determinó que el algoritmo MobileNet es el más avanzado para la lectura de imágenes simultaneas de enfermedades como la tuberculosis, por su predicción y preentrenamiento de 1140 imágenes, cantidad suficiente para diagnosticar cuando una persona tiene la enfermedad cual es infecciosa; además difícilmente de detectar y afecta a gran parte del mundo.

Con respecto a la tendencia, se considera al aprendizaje automático especialmente el AP, muestra menos teoría matemática en comparación con el campo de las estadísticas, impulsando a la disponibilidad de mejorar el hardware y grandes conjuntos de datos.

Referente al rol en el campo de la salud, se muestra mayor beneficio en el área de medicina, permitiendo deducir posibles soluciones en base a predicciones obtenidas; donde el gran número de datos de estudios clínicos forman pieza fundamental en el proceso de aprendizaje. Siendo la IA una tecnología muy empleada en Radiología y Oncología para detectar lesiones potencialmente cancerígenas, permitiendo el uso del aprendizaje automático para detectar anomalías en imágenes, más allá de lo que el ojo humano puede ver. Es un modelo basado para diagnosticar más de una veintena de afecciones de la piel, detección de retinopatías diabéticas, así como de tumores de mama metastásicos; predecir si un cáncer de próstata será agresivo o si es maligno uno en el pulmón.

References

Referencias

Aggarwal, R., Sounderajah, V., Martin, G., Ting, D. S. W., Karthikesalingam, A., King, D., Ashrafian, H., & Darzi, A. (2021). Diagnostic accuracy of deep learning in medical imaging: A systematic review and meta-analysis. Npj Digital Medicine, 4(1), 1-23. https://doi.org/10.1038/s41746-021-00438-z

Aguilar, J., & Sotelo, C. (2020). Diseño de un modelo predictivo para la detección temprana de la neumonía utilizando deep learning y visión computacional. Repositorio Institucional - UTP. http://repositorio.utp.edu.pe/handle/20.500.12867/3970

Arias, V., Salazar, J., & Garicano, C. (2019). Una introducción a las aplicaciones de la inteligencia artificial en Medicina: Aspectos históricos. Revista Latinoamericana de Hipertensión, 14, 21.

Bolhasani, H., Mohseni, M., & Rahmani, A. M. (2021). Deep learning applications for IoT in health care: A systematic review. Informatics in Medicine Unlocked, 23, 100550. https://doi.org/10.1016/j.imu.2021.100550

Boulemtafes, A., Khemissa, H., Derki, M. S., Amira, A., & Djedjig, N. (2021). Deep learning in pervasive health monitoring, design goals, applications, and architectures: An overview and a brief synthesis. Smart Health, 22, 100221. https://doi.org/10.1016/j. smhl.2021.100221

Centeno, A. (2019). Deep learning. https://idus.us.es/handle/11441/90004

Egger, J., Gsaxner, C., Pepe, A., Pomykala, K. L., Jonske, F., Kurz, M., Li, J., & Kleesiek, J. (2022). Medical deep learning-A systematic meta-review. Computer Methods and Programs in Biomedicine, 221, 106874. https://doi.org/10.1016/j. cmpb.2022.106874

Gómez, J., Incalla, A., & Perca, J. (2021). Detección de la tuberculosis con algoritmos de Deep Learning en imágenes de radiografías del tórax. Revista Vive, 4(12), 624-633. https://doi.org/10.33996/revistavive.v4i12.119

Hernandez, M., Garcia, M., Iturralde, J., Lizarribar, A., Gonzalez, A., Prat Madrazo, M., Vergara Mitxeltorena, I., & Soto Ruiz de Gordoa, M. (2019). Desarrollo de un software de cribado automático de retinopatía diabética. International Journal of Integrated Care, 19(4), 74. https://doi.org/10.5334/ijic.s3074

Kitchenham, B., & Charters, S. (2007). Guidelines for performing Systematic Literature Reviews in Software Engineering. 2.

Manthiramoorthi, M., Mani, D. M., & Murthy, A. G. (2021). Application of Pareto's Principle on Deep Learning Research Output: A Scientometric Analysis. 11.

Navinés López, J. (2019). Inteligencia artificial aplicada a la cirugía basada en la evidencia. Cirugía Española, 97(2), 63-64. https://doi.org/10.1016/j.ciresp.2018.04.011

Pokkuluri, K. S., & Nedunuri, S. U. D. (2021). A Secure Cellular Automata Integrated Deep Learning Mechanism for Health Informatics. The International Arab Journal of Information Technology. https://doi.org/10.34028/iajit/18/6/5

Rezaeianjouybari, B., & Shang, Y. (2020). Deep learning for prognostics and health management: State of the art, challenges, and opportunities. Measurement, 163, 107929. https://doi.org/10.1016/j.measurement.2020.107929

Sánchez, S. A., Morales, A. D., Arroyo, M. F., & Asís, y H. D. (2021). Artificial intelligence model for the prediction of malignant tumors using a set of medical images from mammography studies. IOP Conference Series: Materials Science and Engineering, 1154(1), 012013. https://doi.org/i0.i088/i757-899X/ii54/i/0i20i3

Song, B., Sunny, S., Li, S., Gurushanth, K., Mendonca, P., Mukhia, N., Patrick, S., Gurudath, S., Raghavan, S., Tsusennaro, I., Leivon, S. T., Kolur, T., Shetty, V., Bushan, V. R., Ramesh, R., Peterson, T., Piliai, V., Wilder-Smith, P., Sigamani, A., ... Liang, R. (2021). Bayesian deep learning for reliable oral cancer image classification. Biomedical Optics Express, 12(10), 6422. https://doi.org/10.1364/BOE.432365

Williams, D., Hornung, H., Nadimpalli, A., & Peery, A. (2021). Deep Learning and its Application for Healthcare Delivery in Low and Middle Income Countries. Frontiers in Artificial Intelligence, 4, 553987. https://doi.org/10.3389/frai.2021.553987

Yang, C. C. (2022). Explainable Artificial Intelligence for Predictive Modeling in Healthcare. Journal of Healthcare Informatics Research, 6(2), 228-239. https://doi.org/10.1007/s41666-022-00114-1