La imagen médica es un campo complejo en el que interpretar los resultados puede ser todo un reto.
Los modelos de inteligencia artificial pueden ayudar a los médicos analizando imágenes que podrían indicar anomalías causantes de enfermedades.
Sin embargo, hay una trampa: estos modelos de IA suelen dar una única solución cuando, en realidad, las imágenes médicas suelen tener múltiples interpretaciones.
Si pide a cinco expertos que esbocen un área de interés, como un pequeño bulto en un escáner pulmonar, podría acabar con cinco dibujos diferentes, ya que todos podrían tener sus propias opiniones sobre dónde empieza y acaba el bulto, por ejemplo.
Para hacer frente a este problema, investigadores del MIT, el Instituto Broad del MIT de Harvard y el Hospital General de Massachusetts han creado Tyche, un sistema de IA que acepta la ambigüedad en la segmentación de imágenes médicas.
La segmentación consiste en etiquetar píxeles específicos de una imagen médica que representan estructuras importantes, como órganos o células.
Marianne Rakic, candidata al doctorado en informática del MIT y autora principal del estudiarexplica: "Tener opciones puede ayudar en la toma de decisiones. Incluso el mero hecho de ver que hay incertidumbre en una imagen médica puede influir en las decisiones de alguien, por lo que es importante tener en cuenta esta incertidumbre."
Tyche, que recibe su nombre de la diosa griega del azar, genera múltiples segmentaciones posibles para una sola imagen médica con el fin de captar la ambigüedad.
Cada segmentación destaca regiones ligeramente diferentes, lo que permite a los usuarios elegir la más adecuada a sus necesidades.
Rakic dice Noticias del MIT"Dar salida a varios candidatos y asegurarse de que son diferentes entre sí realmente te da una ventaja".
¿Cómo funciona Tyche? Desglosémoslo en cuatro sencillos pasos:
- Aprender con el ejemplo: Los usuarios proporcionan a Tyche un pequeño conjunto de imágenes de ejemplo, denominado "conjunto de contexto", que muestran la tarea de segmentación que desean realizar. Estos ejemplos pueden incluir imágenes segmentadas por diferentes expertos humanos, lo que ayuda al modelo a comprender la tarea y las posibles ambigüedades.
- Ajustes de la red neuronal: Los investigadores modificaron una arquitectura de red neuronal estándar para que Tyche pudiera manejar la incertidumbre. Ajustaron las capas de la red para que las segmentaciones potenciales generadas en cada paso pudieran "comunicarse" entre sí y con los ejemplos del conjunto contextual.
- Múltiples posibilidades: Tyche está diseñado para generar múltiples predicciones basadas en una única imagen médica de entrada y el conjunto de contextos.
- Recompensar la calidad: El proceso de entrenamiento se ha modificado para recompensar a Tyche por producir la mejor predicción posible. Si el usuario pide cinco predicciones, puede ver las cinco segmentaciones de imágenes médicas producidas por Tyche, aunque una sea mejor.
Uno de los puntos fuertes de Tyche es su adaptabilidad. Puede asumir nuevas tareas de segmentación sin necesidad de volver a formarse desde cero.
Normalmente, los modelos de IA para la segmentación de imágenes médicas utilizan redes neuronales que requieren un amplio entrenamiento en grandes conjuntos de datos y experiencia en aprendizaje automático.
En cambio, Tyche puede utilizarse "fuera de la caja" para diversas tareas, desde detectar lesiones pulmonares en radiografías hasta identificar anomalías cerebrales en resonancias magnéticas.
Se han llevado a cabo numerosos estudios en el campo de la imagen médica con IA, entre los que se incluyen importantes avances en cribado del cáncer de mama y diagnósticos de IA que match o incluso médicos golpeadores en la interpretación de imágenes.
De cara al futuro, el equipo de investigación tiene previsto explorar el uso de conjuntos de contextos más flexibles, que posiblemente incluyan texto o varios tipos de imágenes.
También quieren desarrollar formas de mejorar las peores predicciones de Tyche y permitir que el sistema recomiende los mejores candidatos de segmentación.
