La IA está demostrando ser excepcionalmente útil para diagnosticar enfermedades a partir de imágenes médicas, como las radiografías, a gran escala. Sin embargo, las herramientas de IA no siempre son capaces de reconocer sus propias imprecisiones.
En respuesta, Google ha desarrollado un nuevo sistema de inteligencia artificial denominado flujo de trabajo de derivación a la clínica basado en la complementariedad (CoDoC), que puede discernir cuándo confiar en los diagnósticos basados en inteligencia artificial y solicitar una segunda opinión de un médico humano.
Según el estudioCoDoC reduce la carga de trabajo que supone el análisis de datos de exploraciones médicas en 66%, pero también detecta cuándo una decisión de IA es potencialmente errónea, lo que reduce los falsos positivos en 25%.
CoDoC funciona en paralelo con los sistemas de inteligencia artificial que se utilizan habitualmente para interpretar imágenes médicas, como radiografías de tórax o mamografías.
Por ejemplo, si una herramienta de IA está interpretando una mamografía, CoDoC evalúa si la confianza percibida por la herramienta en su análisis es lo suficientemente fuerte como para confiar en ella. Si hay alguna ambigüedad, CoDoC pide una segunda opinión a un experto humano.
Así es como funciona:
- Para entrenar CoDoC, Google tomó datos de herramientas de IA clínica existentes y los comparó con la interpretación de las mismas imágenes por parte de un clínico humano. El modelo se validó además con un análisis posterior de los datos mediante biopsia u otros métodos.
- Este proceso permite al CoDoC aprender y comprender la precisión de los análisis y los niveles de confianza de una herramienta de IA en comparación con los médicos humanos.
- Una vez entrenado, CoDoC puede juzgar si el análisis de los escaneos realizado por la IA es fiable o si es necesaria una revisión humana.
Alan Karthikesalingam, de Google Health UK, que participó en la investigación, dijo"Si se utiliza CoDoC junto con la herramienta de IA y los resultados de un radiólogo real, y luego CoDoC ayuda a decidir qué opinión utilizar, la precisión resultante es mejor que la de la persona o la herramienta de IA por sí solas".
Se realizaron más pruebas de CoDoC utilizando diferentes conjuntos de datos de mamografías y radiografías para el cribado de la tuberculosis en varios sistemas de IA predictiva, con resultados positivos.
Krishnamurthy Dvijotham, de Google DeepMind, señaló: "La ventaja de CoDoC es que es interoperable con diversos sistemas de IA patentados".
Sin embargo, Helen Salisbury, de la Universidad de Oxford, señala que algunos procesos de diagnóstico médico son más complejos que aquellos con los que se probó CoDoC. En su opinión, "para los sistemas en los que no se puede influir a posteriori en lo que sale de la caja negra, parece una buena idea añadir el aprendizaje automático. Lo que no sé es si esto acerca más a la IA que va a estar con nosotros todo el día, todos los días, para nuestro trabajo rutinario".
Como destacan los investigadores, la interoperabilidad de CoDoC significa que puede encajar en distintos flujos de trabajo de diagnóstico.
ALos sistemas I pueden trabajar con sistemas AI para mejorar su precisión. Como dice el refrán, cuatro ojos ven más que dos.
