Entrenamiento de IA para el análisis de imágenes médicas con conocimiento, no con atajos

Cuando los radiólogos humanos examinan las exploraciones, miran a través del lente de décadas de capacitación. El camino que se extiende desde la universidad hasta la facultad de medicina y la residencia, que concluye cuando un médico interpreta, digamos, una radiografía, incluye miles y miles de horas de educación, tanto académica como práctica, desde estudiar para exámenes de licencia hasta pasar años como residente. .

En la actualidad, el camino de entrenamiento para que la inteligencia artificial (IA) interprete imágenes médicas es mucho más sencillo: mostrar a la IA imágenes médicas etiquetadas con características de interés, como lesiones cancerosas, en cantidades suficientemente grandes para que el sistema identifique patrones que le permitan «ver» esas características en imágenes sin etiquetar.

A pesar de que se han publicado más de 14.000 artículos académicos sobre IA y radiología en la última década, los resultados son, en el mejor de los casos, mediocres. En 2018, investigadores de stanford se dieron cuenta de que una IA que entrenaron para identificar lesiones cutáneas marcaba erróneamente imágenes que contenían reglas porque la mayoría de las imágenes de lesiones malignas también tenían reglas.

«Las redes neuronales fácilmente se sobreajustan en correlaciones espurias», dice Mark Yatskar, profesor asistente en Informática y Ciencias de la Información (CIS), refiriéndose a la arquitectura de IA que emula neuronas biológicas y potencia herramientas tan variadas como ChatGPT y software de reconocimiento de imágenes. «En lugar de cómo un ser humano toma decisiones, tomará atajos».

en un papel nuevopara compartir en NeuroIPS 2024 Como punto destacado, Yatskar, junto con Chris Callison-Burch, profesor del CIS, y el primer autor Yue Yang, un estudiante de doctorado asesorado por Callison-Burch y Yatskar, presenta una forma novedosa de desarrollar redes neuronales para el reconocimiento de imágenes médicas emulando el entrenamiento. camino de los médicos humanos. el papel es publicado en el arXiv servidor de preimpresión.

«Generalmente, con los sistemas de inteligencia artificial, el procedimiento consiste en enviar una gran cantidad de datos al sistema de inteligencia artificial, y éste los resuelve», dice Yatskar. «En realidad, esto es muy diferente a cómo aprenden los humanos: un médico tiene un proceso de varios pasos para su educación».

El nuevo método del equipo lleva eficazmente la IA a la facultad de medicina al proporcionar un conjunto de conocimientos médicos extraídos de libros de texto, de PubMed, la base de datos académica de la Biblioteca Nacional de Medicina, y de StatPearls, una empresa en línea que ofrece preguntas de exámenes de práctica para profesionales médicos. .

«Los médicos pasan años en la facultad de medicina aprendiendo de los libros de texto y en las aulas antes de comenzar en serio su formación clínica», señala Yatskar. «Estamos tratando de reflejar ese proceso».

El nuevo enfoque, denominado cuellos de botella mejorados por el conocimiento (KnoBo), esencialmente requiere que la IA base sus decisiones en conocimientos médicos establecidos.

«Al leer una radiografía, los estudiantes de medicina y los médicos preguntan si el pulmón está limpio y el corazón tiene un tamaño normal», dice Yang. «El modelo se basará en factores similares a los que utilizan los humanos al tomar una decisión».

El resultado es que los modelos entrenados con KnoBo no solo son más precisos en tareas como identificar pacientes con COVID basándose en radiografías de pulmón que los mejores modelos actuales, sino que también son más interpretables: los médicos pueden entender por qué el modelo hizo un determinado decisión.

«Sabrá por qué el sistema predice que esta radiografía es un paciente con COVID: porque tiene opacidad en el pulmón», dice Yang.

Los modelos entrenados con KnoBo también son más robustos y capaces de manejar parte del desorden de los datos del mundo real. Una de las mayores ventajas de los médicos humanos es que se les puede ubicar en muchos contextos diferentes (con diferentes hospitales y diferentes poblaciones de pacientes) y esperar que sus habilidades se transfieran. Por el contrario, los sistemas de IA entrenados en un grupo particular de pacientes de un hospital en particular rara vez funcionan bien en contextos diferentes.

Para evaluar la capacidad de KnoBo para ayudar a los modelos a centrarse en información destacada, los investigadores probaron una amplia gama de redes neuronales en conjuntos de datos «confusos». En esencia, entrenar los modelos en un conjunto de pacientes, donde, digamos, todos los pacientes enfermos eran blancos y los pacientes sanos negros, y luego probar los modelos en pacientes con características opuestas.

«Los métodos anteriores fracasan catastróficamente», afirma Yang. «A nuestra manera, restringimos el modelo al razonamiento sobre aquellos conocimientos previos que aprendemos de los documentos médicos». Incluso con datos confusos, los modelos entrenados con KnoBo tuvieron en promedio un 32,4% más de precisión que las redes neuronales ajustadas con imágenes médicas.

Dado que la Asociación Estadounidense de Facultades de Medicina (AAMC) proyecta una escasez de 80.000 médicos Solo en los Estados Unidos para 2036, los investigadores esperan que su trabajo abra la puerta a la aplicación segura de la IA en la medicina.

«Se podría realmente tener un impacto en términos de conseguir ayuda para las personas que de otro modo no podrían obtener porque no hay personas apropiadamente calificadas para brindar esa ayuda», dice Yatskar.