Los radiólogos pronto podrían utilizar la IA para detectar tumores cerebrales

Un artículo titulado «Aprendizaje profundo y transferencia de aprendizaje para la detección y clasificación de tumores cerebrales» publicado en Métodos y protocolos de biología. muestra que los científicos pueden entrenar modelos de inteligencia artificial (IA) para distinguir los tumores cerebrales del tejido sano. Los modelos de IA ya pueden encontrar tumores cerebrales en imágenes de resonancia magnética casi tan bien como un radiólogo humano.

Los investigadores han logrado avances sostenidos en la IA para su uso en medicina. La IA es particularmente prometedora en radiología, donde esperar a que los técnicos procesen 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 reconocer y clasificar imágenes.

De esta forma, 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 proyecto nuevo relacionado.

Aunque detectar animales camuflados y clasificar tumores cerebrales implica tipos de imágenes muy diferentes, los investigadores involucrados en este estudio creían que existía un paralelo entre un animal que se oculta tras un camuflaje natural y un grupo de células cancerosas que se mezclan 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 una red puede detectar objetos camuflados. Esta formación podría resultar especialmente útil para detectar tumores.

En este estudio retrospectivo de datos de resonancia magnética de dominio público, los investigadores investigaron cómo se pueden entrenar modelos de redes neuronales con datos de imágenes de cáncer cerebral al mismo tiempo que introducen un paso de aprendizaje de transferencia de detección de animales de camuflaje único para mejorar las habilidades de detección de tumores de las redes.

Utilizando resonancias magnéticas de repositorios públicos en línea de cerebros de control sanos y cancerosos (de fuentes que incluyen Kaggle, el Cancer Imaging Archive del Instituto Nacional del Cáncer de los NIH y el VA Boston Healthcare System), los investigadores entrenaron las redes para distinguir resonancias magnéticas sanas de cancerosas, el área afectados 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 sólo uno o dos falsos negativos, y para distinguir entre cerebros cancerosos y sanos. La primera red tuvo una precisión promedio del 85,99% en la detección de 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 por parte 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 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 creen que será importante centrarse en la creación de modelos de redes profundas cuyas decisiones puedan describirse de forma intuitiva, para que la inteligencia artificial pueda ocupar un papel de apoyo transparente en entornos clínicos.

Si bien las redes tuvieron más dificultades para distinguir entre los tipos de cáncer cerebral en todos los casos, todavía estaba claro que tenían una representación interna distinta en la red. La precisión y la claridad mejoraron a medida que los investigadores entrenaron las redes en la detección de camuflaje. El aprendizaje por transferencia condujo a un aumento en la precisión de las redes.

Si bien 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 provocada por este paradigma de formación. Los investigadores creen que este paradigma, combinado con la aplicación integral de métodos de explicabilidad, promueve la transparencia necesaria en futuras investigaciones clínicas de IA.

«Los avances en IA permiten una detección y un reconocimiento de patrones más precisos», afirmó el autor principal del artículo, Arash Yazdanbakhsh.

«En consecuencia, esto permite una mejor ayuda para el diagnóstico y la detección basados ​​en imágenes, pero también requiere más explicaciones sobre cómo la IA realiza la tarea. Apuntar a la explicabilidad de la IA mejora la comunicación entre los humanos y la IA en general. 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».