Nuevo método de IA captura la incertidumbre en imágenes médicas

En el campo de la biomedicina, la segmentación es el proceso de anotar píxeles de una estructura importante en imágenes médicas, como órganos o células. Los modelos de Inteligencia Artificial (IA) se utilizan para ayudar a los médicos resaltando píxeles indicativos de enfermedades o anomalías. Sin embargo, estos modelos de IA suelen proporcionar una respuesta singular, a pesar de la ambigüedad inherente a la segmentación de imágenes médicas. Por ejemplo, cinco anotadores expertos diferentes podrían producir cinco segmentaciones variadas de un nódulo pulmonar en una tomografía computarizada, cada una de las cuales difiere en la existencia o extensión de los bordes de un nódulo en una imagen de tomografía computarizada del pulmón. Reconocer estas discrepancias y las incertidumbres inherentes puede influir significativamente en la toma de decisiones clínicas.

Ahora, investigadores del MIT (Cambridge, MA, EUA) han desarrollado una nueva herramienta de inteligencia artificial, llamada Tyche, que está diseñada para capturar la incertidumbre en una imagen médica. Tyche genera múltiples segmentaciones plausibles que resaltan áreas ligeramente diferentes de una imagen médica. Los usuarios pueden configurar la cantidad de opciones de salida que ofrece Tyche y elegir la más adecuada para sus necesidades específicas. Una de las ventajas clave de Tyche es que no requiere reentrenamiento para cada nueva tarea de segmentación, lo que lo hace más fácil de usar para médicos e investigadores biomédicos que otros métodos de IA. Esta herramienta se puede utilizar desde el primer momento para diversas aplicaciones, que van desde la detección de lesiones en radiografías de pulmón hasta la identificación de anomalías en resonancias magnéticas del cerebro, mejorando potencialmente los procesos de diagnóstico o apoyando la investigación biomédica al resaltar detalles críticos que otras herramientas podrían pasar por alto.

En pruebas que utilizaron conjuntos de datos de imágenes médicas anotadas, Tyche demostró su capacidad para capturar la diversidad de anotadores humanos de manera efectiva. Se descubrió que sus mejores predicciones superaban las de los modelos de referencia y también operaba más rápido. Tyche incluso superó a modelos más complejos entrenados con conjuntos de datos extensos y especializados. De cara al futuro, los investigadores pretenden explorar el uso de conjuntos de contextos más adaptables, que podrían incluir descripciones textuales o múltiples tipos de imágenes. También están interesados en mejorar la precisión de las predicciones menos precisas de Tyche y perfeccionar el sistema para recomendar mejor las opciones de segmentación más confiables.

“La ambigüedad ha sido poco estudiada. Si su modelo omite por completo un nódulo que tres expertos dicen que está ahí y dos expertos dicen que no, probablemente sea algo a lo que deba prestar atención”, dijo el autor principal Adrian Dalca.

“Si se quiere tener en cuenta la ambigüedad, a menudo hay que utilizar un modelo extremadamente complicado. Con el método que proponemos, nuestro objetivo es hacerlo fácil de usar con un modelo relativamente pequeño para que pueda hacer predicciones rápidamente”, añadió Marianne Rakic, candidata a doctorado en informática del MIT.

Enlaces relacionados:
MIT

Visitar la expo >

New

Miembro Oro

X-Ray QA Meter

T3 AD Pro

Fixed X-Ray System (RAD)

Allengers 325 - 525

Wall Fixtures

MRI SERIES

New

Mammo 3D Performance Kits

Mammo 3D Performance Kits