Nueva investigación muestra que la IA puede pedir a otra IA una segunda opinión sobre exploraciones médicas

El campo de la inteligencia artificial médica ha logrado avances notables gracias al aprendizaje profundo. Sin embargo, entrenar estos modelos de aprendizaje profundo generalmente requiere una gran cantidad de datos anotados. Este proceso de anotar grandes conjuntos de datos no solo requiere mucha mano de obra, sino que también es susceptible a los sesgos humanos, especialmente para tareas de predicción densas como la segmentación de imágenes. Inspirándose en algoritmos semisupervisados, que utilizan tanto datos etiquetados como no etiquetados para el entrenamiento, los investigadores han creado un nuevo algoritmo de IA de entrenamiento conjunto para imágenes médicas que imita el proceso de buscar una segunda opinión.

La investigación realizada por científicos de la Universidad de Monash (Melbourne, VIC, Australia) aborda el desafío de la disponibilidad limitada de imágenes médicas etiquetadas o anotadas por humanos mediante la adopción de un enfoque de aprendizaje contradictorio o competitivo hacia los datos no etiquetados. Se espera que esta investigación innovadora abra los horizontes del análisis de imágenes médicas para radiólogos y otros expertos en atención médica. La anotación manual de una gran cantidad de imágenes médicas exige mucho tiempo, esfuerzo y experiencia, lo que a menudo limita la disponibilidad de conjuntos de datos de imágenes médicas anotadas a gran escala. El algoritmo diseñado por estos investigadores permite que múltiples modelos de IA aprovechen las fortalezas únicas de los datos etiquetados y no etiquetados, aprendiendo unos de las predicciones de los otros para mejorar la precisión general. La próxima etapa de la investigación se centrará en ampliar la aplicación para acomodar varios tipos de imágenes médicas y desarrollar un producto de extremo a extremo dedicado para su uso en prácticas de radiología.

“Nuestro algoritmo ha producido resultados innovadores en el aprendizaje semisupervisado, superando los métodos de vanguardia anteriores. Demuestra un desempeño notable incluso con anotaciones limitadas, a diferencia de los algoritmos que se basan en grandes volúmenes de datos anotados”, dijo Himashi Peiris candidato a Ph.D. en la Facultad de Ingeniería de la Universidad de Monash. “Esto permite que los modelos de IA tomen decisiones más informadas, validen sus evaluaciones iniciales y descubran diagnósticos y decisiones de tratamiento más precisos”.

Enlaces relacionados:
Universidad Monash

Visitar la expo >

Portable Color Doppler Ultrasound Scanner

DCU10

Diagnostic Ultrasound System

MS1700C

Multi-Use Ultrasound Table

Clinton

Radiation Therapy Treatment Software Application

Elekta ONE