La inteligencia artificial IA es una innovación importante en el diagnóstico, porque puede aprender rápidamente a reconocer anormalidades que un médico también etiquetaría como una enfermedad. Pero la forma en que funcionan estos sistemas es a menudo opaca, y los médicos tienen una mejor "panorama general "cuando hacen el diagnóstico. En una nueva publicación, los investigadores de Radboudumc muestran cómo pueden hacer que la IA muestre cómo está funcionando, así como dejar que diagnostique más como un médico, haciendo que los sistemas de IA sean más relevantes para la práctica clínica.
Doctor contra IA
En los últimos años, la inteligencia artificial ha ido en aumento en el diagnóstico de imágenes médicas. Un médico puede ver una radiografía o una biopsia para identificar anormalidades, pero esto también puede hacerse cada vez más mediante un sistema de IA mediante "aprendizaje profundo "ver 'Antecedentes: qué es el aprendizaje profundo' a continuación. Tal sistema aprende a llegar a un diagnóstico por sí solo, 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, que estos sistemas son bastante "flojos". La IA analiza lo que se necesita para un particulardiagnóstico y luego se detiene. Esto significa que una exploración no siempre identifica todas las anormalidades, incluso si el diagnóstico es correcto. Un médico, especialmente al considerar el plan de tratamiento, observa el panorama general: ¿qué veo?eliminado o tratado durante la cirugía?
AI más como el médico
Para hacer que los sistemas de IA sean más atractivos para la práctica clínica, Cristina González Gonzalo, candidata a doctorado en el Grupo de Investigación de A-ojo y Análisis de Imagen de Diagnóstico de Radboudumc, desarrolló una innovación de dos lados para el diagnóstico de IA. Ella hizo esto basándose en escáneres oculares, en el que ocurrieron anormalidades de la retina, específicamente la retinopatía diabética y la degeneración macular relacionada con la edad. Estas anormalidades pueden ser fácilmente reconocidas tanto por un médico como por una IA. Pero también son anormalidades que a menudo ocurren en grupos. Una IA clásica diagnosticaría unao algunos puntos y detener el análisis. Sin embargo, en el proceso desarrollado por González Gonzalo, la IA revisa la imagen una y otra vez, aprendiendo a ignorar los lugares que ya ha pasado, descubriendo otros nuevos. Además, la IA también muestraqué áreas del escáner ocular consideró sospechosas, lo que hace que el proceso de diagnóstico sea transparente.
Un proceso iterativo
Una IA básica podría llegar a un diagnóstico basado en una evaluación del escáner ocular, y gracias a la primera contribución de González Gonzalo, puede mostrar cómo llegó a ese diagnóstico. Esta explicación visual muestra que el sistema es realmente vago- deteniendo el análisis después de obtener la información suficiente para hacer un diagnóstico, por eso también hizo que el proceso fuera iterativo de una manera innovadora, obligando a la IA a buscar más y crear una "imagen completa" que los radiólogos tendrían.
¿Cómo aprendió el sistema a mirar el mismo escáner ocular con 'ojos frescos'? El sistema ignoró las partes familiares al completar digitalmente las anormalidades que ya se encuentran utilizando tejido sano alrededor de la anormalidad. Los resultados de todas las rondas de evaluación sonluego se suman y eso produce el diagnóstico final. En el estudio, este enfoque mejoró la sensibilidad de la 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 posiblehaga que un sistema de IA evalúe las imágenes más como un médico, y que haga transparente la forma en que lo hace. Esto podría ayudar a que estos sistemas sean más fáciles de confiar y, por lo tanto, ser adoptados por los radiólogos.
Antecedentes: ¿qué es el "aprendizaje profundo"?
Aprendizaje profundo es un término utilizado para sistemas que aprenden de manera similar a cómo funciona nuestro cerebro. Consiste en redes de 'neuronas' electrónicas, cada una de las cuales aprende a reconocer un aspecto de la imagen deseada. Luego siguelos principios de "aprender haciendo" y "la práctica hace la perfección". El sistema recibe cada vez más imágenes que incluyen información relevante que dice, en este caso, si hay una anomalía en la retina y, de ser así, quéenfermedad es. El sistema luego aprende a reconocer qué características pertenecen a esas enfermedades, y mientras más imágenes ve, mejor puede reconocer esas características en imágenes no diagnosticadas. Hacemos algo similar con los niños pequeños: levantamos repetidamente un objeto,diga una manzana, delante de ellos y diga que es una manzana. Después de un tiempo, ya no tiene que decirlo, aunque cada manzana es ligeramente diferente. Otra ventaja importante de estos sistemas es que completan suentrenando mucho más rápido que husirve y puede trabajar las 24 horas del día.
Fuente de la historia :
Materiales proporcionado por Centro médico de la Universidad de Radboud . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :