Las tecnologías de visión artificial permiten encontrar señales, signos y patrones que se pueden usar para la obtención de datos relevantes sobre los pacientes.
Quibim (acrónimo de Quantitative Imaging Biomarkers In Medicine), con sede central en Valencia, cuenta con una tecnología de postprocesado de imágenes médicas radiológicas y de extracción de biomarcadores de imagen.
“Se han desarrollado metodologías basadas en inteligencia artificial que homogenizan la calidad de imagen de todos los fabricantes de equipos, han ideando una manera de calibrarlas para evitar sesgos e influencias no deseadas, según explica Ángel Alberich Bayarr, cofundador de la empresa.
Una vez que esas imágenes están estandarizadas se introduce una segunda capa de algoritmos que han sido entrenados para encontrar o analizar diferentes órganos. Estos se aplican tanto a resonancias magnéticas (RM), como a tomografías axiales computarizadas (TAC) o tomografías de emisión de positrones (PET).
Tanto la primera como la segunda capa de algoritmos se basan en redes neuronales convolucionales, que es una arquitectura de redes que funcionan de manera muy parecida a las neuronas en la corteza visual primaria, aprenden directamente de los datos y resultan muy útiles para encontrar patrones en imágenes.
Hasta la fecha, la empresa ha logrado crear veinte algoritmos muy específicos.
Dentro del campo neurológico pueden medir la atrofia cerebral, observando el avance del Alzhéimer y otras enfermedades neurodegenerativas. Pueden calcular la edad del cerebro, al comprobar cuánta sustancia gris se está perdiendo y si esa pérdida es anormal.
Igualmente, son capaces de encontrar lesiones en la sustancia blanca, como las que ocurren en esclerosis múltiple.
El foco principal de la compañía es la oncología, abarca entre el 70 % y el 80% de su actividad.
“Nos consideramos ‘tumor-agnósticos’ y al día de hoy la industria farmacéutica está trabajando con esa misma dirección. Los fármacos ya no están indicados únicamente para un tipo de tumor, sino para varios”, aclara su responsable.
“Hemos desarrollado un conjunto de algoritmos con una misma arquitectura donde se trabaja esa «armonización'» de la calidad de imagen, luego se detectan los órganos y después se buscan lesiones en ellos. Se obtienen parámetros con redes neuronales, que aprenden a extraer dentro de un tumor características particulares de cada lesión, esto se realiza viendo cómo está distribuida la intensidad de píxeles”, subraya.
Alberich-Bayarri señala que no solo es importante el tamaño del tumor y su evolución, sino también su composición. Esto es lo que analizan utilizando características radiómicas y deep features o características profundas.
“Estas características se combinan con la pregunta clínica que se quiere responder, siendo diferente para cada tipo de cáncer. Por ejemplo, en el cáncer de pulmón la cuestión es poder predecir la respuesta a la inmunoterapia. En el de colon lo que más nos importa es poder predecir la recaída y en el de mama la metastatización”.
“Dependiendo del escenario clínico se utilizan distintos algoritmos predictivos”.
Se pueden llevar a cabo biopsias virtuales, ya que pueden extraer características de un tejido sin la necesidad de contar con una muestra, es decir, de forma no invasiva. “Esto es muy importante porque en algunos tipos de tumores, como por ejemplo, en el cáncer de pulmón, los pacientes se biopsian una sola vez. No se extraen muestras de tejido todo el tiempo y al final, lo que se provoca es que el paciente empeore o no progrese, son las resistencias clonales tras cada tratamiento”, explica el investigador.
“Las células van cambiando y al biopsiar una sola vez las resistencias no se analizan más”, lamenta.
Las pruebas no invasivas como los TAC, se realizan varias veces durante la enfermedad oncológica, como en la detección, en el diagnóstico y cada vez que se aplica un tratamiento, para evaluar la respuesta al mismo, etc. Esto permite hacer un seguimiento de la evolución.
“Con nuestras biopsias virtuales podemos obtener información a partir del TAC y de cómo se distribuyen los píxeles en él. Obviamente, no tiene el mismo nivel de resolución espacial o de detalle que un microscopio donde ver células, pero sí, nos ayuda a saber la estirpe de un tumor con esos cambios macroscópicos”, aclara.
“El nivel de exactitud varía en función de la pregunta clínica, pero generalmente damos por aceptable un algoritmo que esté por encima de un 85 % de exactitud en la práctica clínica”.
La compañía ha tenido acceso a 100.000 pacientes oncológicos, lo que supone alrededor de 200 millones de imágenes.
Se está trabajando fundamentalmente con la industria farmacéutica y hospitales como principales socios y clientes. Los primeros de ellos ayudan en la fase de desarrollo de fármacos para poder predecir en qué tipo de pacientes tendrán más efectividad. Con datos retrospectivos se pueden crear modelos de inteligencia artificial para que aprendan en quiénes funcionarán mejor.
La empresa cuenta con equipamientos médicos, como el de resonancia magnética de próstata basada en IA QP-Prostate, que ha sido certificada en Europa y también por la FDA. Está instalado en hospitales y distintos centros médicos de EE UU, España e Italia. pudiendo ser utilizado por los médicos clínicos.
Quibim delega en Microsoft toda su infraestructura tecnológica, desde almacenamiento a computación, de control de usuarios a su plataforma despliega los algoritmos. La compañía de Redmond es su principal proveedor tecnológico, estructurando todo a través de Microsoft Azure.
El próximo gran reto de la empresa es crear el mayor biobanco de imágenes médicas a nivel mundial, generando un repositorio universal y centralizado de casos clasificados según diferentes variables, como la patología, la región anatómica o la técnica empleada para la obtención de la imagen.
