Modelo de IA dibuja mapas para identificar con precisión tumores y enfermedades en imágenes médicas

La interpretación de las imágenes médicas varía según las diferentes regiones del mundo, particularmente en los países en desarrollo donde la escasez de médicos y las largas colas de pacientes son comunes. La inteligencia artificial (IA) se ha convertido en una ayuda valiosa en estos entornos. La detección automatizada de imágenes médicas que utiliza IA puede actuar como una herramienta de apoyo para los médicos, escaneando previamente imágenes y resaltando hallazgos inusuales, como tumores o indicadores tempranos de enfermedades (biomarcadores), para una revisión médica adicional. Este enfoque no sólo ahorra tiempo sino que también puede mejorar la precisión de los diagnósticos. Sin embargo, los modelos tradicionales de IA carecen de la capacidad de explicar sus hallazgos, indicando simplemente la presencia o ausencia de tumores sin mayor elaboración.

Ahora, investigadores del Instituto Beckman de Ciencia y Tecnología Avanzada (Urbana, Illinois, EUA) han desarrollado un modelo de IA innovador que no sólo detecta anomalías sino que también explica cada decisión que toma. Este modelo, a diferencia de las herramientas de IA estándar, proporciona retroalimentación interpretativa en lugar de simplemente identificar tumores. Convencionalmente, los modelos de IA que ayudan a los médicos se entrenan con numerosas imágenes médicas, algunas que muestran anomalías y otras normales. Estos modelos, al encontrar una nueva imagen, asignan una puntuación de probabilidad que indica la probabilidad de que haya un tumor presente.

Este novedoso modelo de IA va un paso más allá al ofrecer una explicación visual de su proceso de toma de decisiones a través de lo que se conoce como "mapa de equivalencia" (E-map). Este E-map transforma la imagen médica original, como una radiografía o una mamografía, asignando valores a diferentes regiones según su importancia médica para predecir anomalías. El modelo agrega estos valores para derivar una puntuación de diagnóstico final. Este enfoque transparente permite a los médicos ver qué áreas del mapa contribuyeron de manera más significativa al diagnóstico e investigar estas regiones más de cerca, mejorando la comprensión y respondiendo las consultas de los pacientes sobre el proceso de diagnóstico.

El equipo de investigación entrenó este modelo en más de 20.000 imágenes en tres tareas de diagnóstico de enfermedades diferentes. Se le enseñó al modelo a identificar signos tempranos de tumores en mamografías simuladas, a detectar la acumulación de drusas en imágenes retinianas indicativas de degeneración macular y a reconocer la cardiomegalia en radiografías de tórax. En comparación con los sistemas de IA tradicionales sin capacidades de autoexplicación, este nuevo modelo demostró una precisión comparable: 77,8 % en mamografías, 99,1 % en imágenes OCT de retina y 83 % en radiografías de tórax, igualando la precisión de los modelos existentes. El éxito de este modelo, que emplea una red neuronal profunda que imita la complejidad de las neuronas humanas, se atribuye a su diseño inspirado en redes neuronales lineales más simples e interpretables. Los investigadores pretenden ampliar la aplicación de este modelo a varias partes del cuerpo, con la capacidad de distinguir potencialmente entre diferentes anomalías en desarrollos futuros.

"La idea es ayudar a detectar el cáncer y las enfermedades en sus primeras etapas, como una X en un mapa, y comprender cómo se tomó la decisión. Nuestro modelo ayudará a agilizar ese proceso y hacerlo más fácil tanto para los médicos como para los pacientes", dijo Sourya Sengupta, autor principal del estudio y asistente de investigación graduado en el Instituto Beckman.

"Estoy entusiasmado con el beneficio directo de nuestra herramienta para la sociedad, no sólo en términos de mejorar el diagnóstico de enfermedades, sino también en la mejora de la confianza y la transparencia entre médicos y pacientes", añadió el investigador principal Mark Anastasio, investigador del Instituto Beckman y profesor y profesor Donald Biggar Willet y Jefe del Departamento de Bioingeniería de Illinois.

Enlaces relacionados:
Instituto Beckman

Visitar la expo >

New

Miembro Oro

X-Ray QA Meter

T3 AD Pro

New

Mobile Barrier

Tilted Mobile Leaded Barrier

New

Multi-Use Ultrasound Table

Clinton

Opaque X-Ray Mobile Lead Barrier

2594M