El aprendizaje automático reduce la incertidumbre en los diagnósticos de cáncer de mama

Las imágenes de prueba se dividen en tres subconjuntos. Imágenes con: (11 a) incertidumbre baja (11 b) incertidumbre media y (11 c) incertidumbre alta. Una reducción de la dimensionalidad de las imágenes revela que las imágenes con baja incertidumbre (11 a) muestran una clara distinción entre las imágenes benignas y malignas. Estas son las imágenes con baja incertidumbre que se separan fácilmente en dimensiones bajas y el modelo de aprendizaje automático tiene confianza para clasificar estas imágenes. Mientras que las imágenes con alta incertidumbre se distribuyen aleatoriamente en tres dimensiones (11 c). Para imágenes de incertidumbre media, las imágenes se agrupan sin una clara distinción de clases. Así, explicamos la incertidumbre cuantificada por el modelo de aprendizaje automático. Crédito: Ponkrshnan Thiagarajan

Un modelo de aprendizaje automático desarrollado por Michigan Tech utiliza la probabilidad para clasificar con mayor precisión el cáncer de mama que se muestra en las imágenes histopatológicas y evaluar la incertidumbre de sus predicciones.

El cáncer de mama es el cáncer más común con la tasa de mortalidad más alta. La detección y el diagnóstico rápidos disminuyen el impacto de la enfermedad. Sin embargo, la clasificación del cáncer de mama utilizando imágenes de histopatología de tejidos y células examinadas bajo un microscopio es una tarea desafiante debido al sesgo en los datos y la falta de disponibilidad de datos anotados en grandes cantidades. La detección automática de cáncer de mama mediante la red neuronal convolucional (CNN), una técnica de aprendizaje automático, se ha mostrado prometedora, pero está asociada con un alto riesgo de falsos positivos y falsos negativos.

Sin ninguna medida de confianza, tales falsos Las predicciones de CNN podrían conducir a resultados catastróficos. Pero un nuevo modelo de aprendizaje automático desarrollado por investigadores de la Universidad Tecnológica de Michigan puede evaluar la incertidumbre en sus predicciones al clasificar los tumores benignos y malignos, lo que ayuda a reducir este riesgo.

En su artículo publicado recientemente en la revista IEEE Transactions on Imágenes médicas, los estudiantes graduados de ingeniería mecánica Ponkrshnan Thiagarajan y Pushkar Khairnar y Susanta Ghosh, profesora asistente de ingeniería mecánica y experta en aprendizaje automático, describen su novedoso modelo de aprendizaje automático probabilístico, que supera a modelos similares.

«Cualquier aprendizaje automático algoritmo que se ha desarrollado hasta ahora tendrá cierta incertidumbre en su predicción», dijo Thiagarajan. «Hay pocas formas de cuantificar esas incertidumbres. Incluso si un algoritmo nos dice que una persona tiene cáncer, no sabemos el nivel de confianza en esa predicción».

De la experiencia viene la confianza

En el contexto médico, no saber qué tan seguro es un algoritmo ha dificultado confiar en las predicciones generadas por computadora. El presente modelo es una extensión de la red neuronal bayesiana, un modelo de aprendizaje automático que puede evaluar una imagen y producir una salida. Los parámetros de este modelo se tratan como variables aleatorias que facilitan la cuantificación de la incertidumbre.

El modelo de Michigan Tech diferencia entre clases negativas y positivas mediante el análisis de las imágenes, que en su nivel más básico son colecciones de píxeles. Además de esta clasificación, el modelo puede medir la incertidumbre en sus predicciones.

En un laboratorio médico, dicho modelo promete ahorros de tiempo al clasificar imágenes más rápido que un técnico de laboratorio. Y, debido a que el modelo puede evaluar su propio nivel de certeza, puede remitir las imágenes a un experto humano cuando tiene menos confianza.

Pero, ¿por qué un ingeniero mecánico crea algoritmos para la comunidad médica? La idea de Thiagarajan se encendió cuando comenzó a utilizar el aprendizaje automático para reducir el tiempo computacional necesario para los problemas de ingeniería mecánica. Ya sea que un cálculo evalúe la deformación de los materiales de construcción o determine si alguien tiene cáncer de mama, es importante conocer la incertidumbre de ese cálculo; las ideas clave siguen siendo las mismas.

«El cáncer de mama es uno de los cánceres que tiene la mortalidad más alta y la incidencia más alta», dijo Thiagarajan. «Creemos que este es un problema emocionante en el que mejores algoritmos pueden tener un impacto directo en la vida de las personas».

Próximos pasos

Ahora que su estudio ha sido publicado, los investigadores ampliarán el modelo para la clasificación multiclase del cáncer de mama. Su objetivo será detectar subtipos de cáncer además de clasificar tejidos benignos y malignos. Y el modelo, aunque se desarrolló utilizando imágenes histopatológicas de cáncer de mama, también se puede ampliar para otros diagnósticos médicos.

«A pesar de la promesa de los modelos de clasificación basados en el aprendizaje automático, sus predicciones sufren incertidumbres debido a la aleatoriedad inherente y el sesgo en los datos y la escasez de grandes conjuntos de datos», dijo Ghosh. «Nuestro trabajo intenta abordar estos problemas y cuantifica, usa y explica la incertidumbre».

En última instancia, el propio modelo de Thiagarajan, Khairnar y Ghosh, que puede evaluar si las imágenes tienen una incertidumbre de medida alta o baja e identificar cuándo las imágenes necesitan la Los ojos de un experto médico representan los próximos pasos en el esfuerzo del aprendizaje automático.

Explore más

Un nuevo método de aprendizaje automático mejora las pruebas de células tumorales similares a las madres para la investigación del cáncer de mama Más información: Ponkrshnan Thiagarajan et al, Explicación y uso de la incertidumbre obtenida por la red neuronal bayesiana Clasificadores para imágenes de histopatología mamaria, IEEE Transactions on Medical Imaging (2021). DOI: 10.1109/TMI.2021.3123300 Proporcionado por la Universidad Tecnológica de Michigan Cita: El aprendizaje automático reduce la incertidumbre en los diagnósticos de cáncer de mama (2021, 1 de diciembre) consultado el 29 de agosto de 2022 en https://medicalxpress.com/news/ 2021-12-machine-uncertainty-breast-cancer.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.