Hacia un diagnóstico de IA como el del médico

Esta serie muestra las cuatro etapas diferentes del mismo escaneo ocular descrito en este artículo. De izquierda a derecha: la imagen original; con aspectos destacados de anomalías por parte de expertos humanos; con aspectos destacados de anomalías por un escaneo por un sistema AI; con aspectos destacados de anomalías realizadas por una serie iterativa de escaneos por un sistema de IA. Tenga en cuenta que el proceso iterativo produce una visión general más completa de las anomalías presentes que la evaluación única. Crédito: Cristina Gonzlez-Gonzalo

La inteligencia artificial (IA) es una innovación importante en el diagnóstico, porque puede aprender rápidamente a reconocer anomalías que un médico también etiquetaría como una enfermedad. Pero la forma en que funcionan estos sistemas a menudo es opaca, y los médicos tienen una mejor «imagen general» cuando hacen el diagnóstico. En una nueva publicación, los investigadores de Radboudumc muestran cómo pueden hacer que la IA muestre cómo funciona, además de permitirle diagnosticar más como un médico, lo que hace que los sistemas de IA sean más relevantes para la práctica clínica.

Médico vs IA

En los últimos años, la inteligencia artificial ha ido en aumento en el diagnóstico de imágenes médicas. Un médico puede observar una radiografía o una biopsia para identificar anomalías, pero esto también puede hacerse cada vez más mediante un sistema de inteligencia artificial mediante el «aprendizaje profundo». Dicho sistema aprende a llegar a un diagnóstico por sí mismo y, en algunos casos, lo hace tan bien o mejor que los médicos experimentados.

Las dos diferencias principales en comparación con un médico humano son, en primer lugar, que La IA a menudo no es transparente en la forma en que analiza las imágenes y, en segundo lugar, estos sistemas son bastante ‘perezosos’. AI analiza lo que se necesita para un diagnóstico en particular y luego se detiene. Esto significa que una exploración no siempre identifica todas las anomalías, incluso si el diagnóstico es correcto. Un médico, especialmente cuando considera el plan de tratamiento, mira el panorama general: ¿Qué veo? ¿Qué anomalías deben eliminarse o tratarse durante la cirugía?

IA más como el médico

Para hacer que los sistemas de IA sean más atractivos para la práctica clínica, Cristina Gonzlez Gonzalo, Ph.D. candidato en el Grupo de Análisis de Imagen de Diagnóstico e Investigación A-eye de Radboudumc, desarrolló una innovación de dos caras para el diagnóstico de IA. Lo hizo basándose en escáneres oculares, en los que se produjeron anomalías de la retina, específicamente retinopatía diabética y degeneración macular relacionada con la edad. Estas anomalías pueden ser reconocidas fácilmente tanto por un médico como por una IA. Pero también son anomalías que suelen darse en grupos. Una IA clásica diagnosticaría uno o varios puntos y detendría el análisis. Sin embargo, en el proceso desarrollado por González Gonzalo, la IA recorre la imagen una y otra vez, aprendiendo a ignorar los lugares por los que ya ha pasado, y así descubre otros nuevos. Además, la IA también muestra qué áreas del escaneo del ojo consideró sospechosas, lo que hace que el proceso de diagnóstico sea transparente.

Un proceso iterativo

Una IA básica podría generar un diagnóstico basado en en una evaluación del escáner ocular, y gracias al primer aporte de González Gonzalo, puede mostrar cómo se llegó a ese diagnóstico. Esta explicación visual muestra que el sistema está deteniendo el análisis después de haber obtenido la información suficiente para hacer un diagnóstico. Es por eso que también hizo que el proceso fuera iterativo de una manera innovadora, lo que obligó a la IA a buscar más y crear una «imagen más completa» que tendrían los radiólogos.

¿Cómo aprendió el sistema a mirar lo mismo? exploración del ojo con ‘ojos frescos’? El sistema ignoró las partes familiares al completar digitalmente las anomalías ya encontradas utilizando tejido sano alrededor de la anomalía. Los resultados de todas las rondas de evaluación luego se suman y eso produce el diagnóstico final. En el estudio, este enfoque mejoró la sensibilidad de detección de la retinopatía diabética y la degeneración macular relacionada con la edad en un 11,2+/-2,0 % por imagen. Lo que este proyecto demuestra es que es posible tener un sistema de IA que evalúe las imágenes más como un médico, así como también hacer transparente cómo lo está haciendo. Esto podría ayudar a que estos sistemas sean más confiables y, por lo tanto, que los radiólogos los adopten.

Explore más

Detección de retina en diabetes: diagnóstico por robot Más información: Cristina Gonzalez-Gonzalo et al, Aumento iterativo de evidencia visual para la localización de lesiones con supervisión débil en marcos de interpretación profundos: aplicación para colorear imágenes de fondo de ojo, IEEE Transactions on Medical Imaging (2020). DOI: 10.1109/TMI.2020.2994463 Proporcionado por la Universidad de Radboud Cita: Hacia un diagnóstico de IA como el del médico (24 de junio de 2020) recuperado el 31 de agosto de 2022 de https://medicalxpress.com/news/2020- 06-ai-diagnosis-doctor.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.