MADRID 19 Nov. (EUROPA PRESS) -
Los modelos de IA ya pueden encontrar tumores cerebrales en imágenes de resonancia magnética casi tan bien como un radiólogo humano. Un nuevo artículo publicado en 'Biology Methods and Protocols', de Oxford University Press por investigadores del Departamento de Ciencias Psicológicas y Cerebrales de la Universidad de Boston (Estados Unidos) muestra que los científicos pueden entrenar modelos de inteligencia artificial para distinguir los tumores cerebrales del tejido sano.
Los investigadores han logrado avances sostenidos en el campo de la inteligencia artificial (IA) para su uso en medicina. La IA es particularmente prometedora en radiología, donde la espera a que los técnicos procesen las imágenes médicas puede retrasar el tratamiento del paciente. Las redes neuronales convolucionales son herramientas poderosas que permiten a los investigadores entrenar modelos de IA en grandes conjuntos de datos de imágenes para reconocerlas y clasificarlas.
De esta manera, las redes pueden "aprender" a distinguir entre imágenes. Las redes también tienen la capacidad de "transferir aprendizaje". Los científicos pueden reutilizar un modelo entrenado en una tarea para un nuevo proyecto relacionado.
Aunque la detección de animales camuflados y la clasificación de tumores cerebrales implican tipos de imágenes muy diferentes, los investigadores que participaron en este estudio creían que existía un paralelismo entre un animal que se esconde tras un camuflaje natural y un grupo de células cancerosas que se mimetizan con el tejido sano circundante. El proceso aprendido de generalización (la agrupación de cosas diferentes bajo la misma identidad de objeto) es esencial para comprender cómo la red puede detectar objetos camuflados. Este entrenamiento podría ser especialmente útil para detectar tumores.
En este estudio retrospectivo de datos de resonancia magnética de dominio público, los investigadores investigaron cómo se pueden entrenar los modelos de redes neuronales con datos de imágenes de cáncer cerebral mientras introducen un paso único de aprendizaje de transferencia de detección de animales de camuflaje para mejorar las habilidades de detección de tumores de las redes.
Utilizando imágenes de resonancia magnética de repositorios públicos en línea de cerebros cancerosos y de controles sanos (de fuentes que incluyen Kaggle, el Archivo de Imágenes del Cáncer del Instituto Nacional del Cáncer de los NIH y el Sistema de Salud de la VA de Boston), los investigadores entrenaron las redes para distinguir las imágenes de resonancia magnética sanas de las cancerosas, el área afectada por el cáncer y el prototipo de apariencia del cáncer (qué tipo de cáncer parece).
Los investigadores descubrieron que las redes eran casi perfectas para detectar imágenes cerebrales normales, con solo 1 o 2 falsos negativos, y para distinguir entre cerebros cancerosos y sanos. La primera red tuvo una precisión promedio del 85,99 % para detectar cáncer cerebral, la otra tuvo una tasa de precisión del 83,85 %.
Una característica clave de la red es la multitud de formas en que se pueden explicar sus decisiones, lo que permite una mayor confianza en los modelos tanto de los profesionales médicos como de los pacientes. Los modelos profundos a menudo carecen de transparencia y, a medida que el campo crece, la capacidad de explicar cómo las redes toman sus decisiones se vuelve importante. Después de esta investigación, la red puede generar imágenes que muestran áreas específicas en su clasificación de tumor positivo o negativo.
Esto permitiría a los radiólogos validar de forma cruzada sus propias decisiones con las de la red y agregar confianza, casi como un segundo radiólogo robótico que puede mostrar el área reveladora de una resonancia magnética que indica un tumor. En el futuro, los investigadores aquí creen que será importante centrarse en la creación de modelos de redes profundas cuyas decisiones se puedan describir de manera intuitiva, de modo que la inteligencia artificial pueda desempeñar un papel de apoyo transparente en los entornos clínicos.
Si bien las redes tuvieron más dificultades para distinguir entre los tipos de cáncer cerebral en todos los casos, aún estaba claro que tenían una representación interna distinta en la red. La precisión y la claridad mejoraron a medida que los investigadores entrenaron a las redes en la detección de camuflaje. El aprendizaje por transferencia condujo a un aumento de la precisión de las redes.
El modelo propuesto con mejor rendimiento fue aproximadamente un 6% menos preciso que la detección humana estándar, la investigación demuestra con éxito la mejora cuantitativa que generó este paradigma de entrenamiento. Los investigadores creen que este paradigma, combinado con la aplicación integral de métodos de explicabilidad, promueve la transparencia necesaria en la futura investigación clínica sobre IA.
"Los avances en IA permiten una detección y un reconocimiento de patrones más precisos.- Esto, en consecuencia, permite una mejor ayuda para el diagnóstico y la detección basados en imágenes, pero también requiere una mayor explicación de cómo la IA lleva a cabo la tarea. El objetivo de lograr que la IA sea explicable mejora la comunicación entre los humanos y la IA en general", apostilla el autor principal del artículo, Arash Yazdanbakhsh.
"Esto es particularmente importante entre los profesionales médicos y la IA diseñada para fines médicos. Los modelos claros y explicables están mejor posicionados para ayudar en el diagnóstico, rastrear la progresión de la enfermedad y monitorear el tratamiento", concluye.