La inteligencia artificial IA tiene un potencial real para mejorar tanto la velocidad como la precisión de los diagnósticos médicos. Pero antes de que los médicos puedan aprovechar el poder de la IA para identificar condiciones en imágenes como rayos X, tienen que 'enseñar' a los algoritmos québuscar.
La identificación de patologías raras en imágenes médicas ha presentado un desafío persistente para los investigadores, debido a la escasez de imágenes que pueden usarse para entrenar sistemas de IA en un entorno de aprendizaje supervisado.
El profesor Shahrokh Valaee y su equipo han diseñado un nuevo enfoque: usar el aprendizaje automático para crear rayos X generados por computadora para aumentar los conjuntos de entrenamiento de IA.
"En cierto sentido, estamos utilizando el aprendizaje automático para hacer aprendizaje automático", dice Valaee, profesor del Departamento de Ingeniería Eléctrica e Informática ECE de Edward S. Rogers Sr. en la Universidad de Toronto. "Estamos creandorayos X simulados que reflejan ciertas condiciones raras para que podamos combinarlos con rayos X reales para tener una base de datos lo suficientemente grande como para entrenar las redes neuronales para identificar estas condiciones en otros rayos X ".
Valaee es miembro del Machine Intelligence in Medicine Lab MIMLab, un grupo de médicos, científicos e investigadores de ingeniería que combinan su experiencia en procesamiento de imágenes, inteligencia artificial y medicina para resolver desafíos médicos ". La IA tiene el potencial deayuda en una miríada de formas en el campo de la medicina ", dice Valaee." Pero para hacer esto necesitamos muchos datos: las miles de imágenes etiquetadas que necesitamos para que estos sistemas funcionen simplemente no existen para algunas condiciones raras"
Para crear estos rayos X artificiales, el equipo utiliza una técnica de IA llamada red de confrontación generativa convolucional profunda DCGAN para generar y mejorar continuamente las imágenes simuladas. Las GAN son un tipo de algoritmo formado por dos redes: una que generalas imágenes y la otra que intenta discriminar las imágenes sintéticas de las imágenes reales. Las dos redes están entrenadas hasta el punto de que el discriminador no puede diferenciar las imágenes reales de las imágenes sintetizadas. Una vez que se crea un número suficiente de rayos X artificiales, se combinan conRayos X reales para entrenar una red neuronal convolucional profunda, que luego clasifica las imágenes como normales o identifica una serie de condiciones.
"Hemos podido demostrar que los datos artificiales generados por una GAN convolucional profunda pueden usarse para aumentar conjuntos de datos reales", dice Valaee. "Esto proporciona una mayor cantidad de datos para el entrenamiento y mejora el rendimiento de estos sistemas para identificarcondiciones raras "
El MIMLab comparó la precisión de su conjunto de datos aumentado con el conjunto de datos original cuando se alimentó a través de su sistema de inteligencia artificial y descubrió que la precisión de la clasificación mejoró en un 20% para condiciones comunes. Para algunas condiciones raras, la precisión mejoró hasta aproximadamente un 40% -y debido a que los rayos X sintetizados no son de individuos reales, el conjunto de datos puede estar fácilmente disponible para los investigadores fuera de las instalaciones del hospital sin violar las preocupaciones de privacidad.
"Es emocionante porque hemos podido superar un obstáculo en la aplicación de inteligencia artificial a la medicina al mostrar que estos conjuntos de datos aumentados ayudan a mejorar la precisión de la clasificación", dice Valaee. "El aprendizaje profundo solo funciona si el volumen de datos de entrenamiento es grandesuficiente y esta es una manera de garantizar que tengamos redes neuronales que puedan clasificar imágenes con alta precisión ".
Fuente de la historia :
Materiales proporcionado por Facultad de Ciencias Aplicadas e Ingeniería de la Universidad de Toronto . Nota: El contenido puede ser editado por estilo y longitud.
Cita esta página :