Al proporcionar mapas de etiquetas plausibles para una imagen médica, un modelo de aprendizaje automático podría ayudar a los médicos e investigadores a capturar información crucial.

En biomedicina, la segmentación implica anotar píxeles de una estructura importante en una imagen médica, como un órgano o una célula. Los modelos de inteligencia artificial pueden ayudar a los médicos al resaltar píxeles que pueden mostrar signos de una determinada enfermedad o anomalía. Sin embargo, estos modelos normalmente sólo proporcionan una respuesta, mientras que el problema de la segmentación de imágenes médicas suele estar lejos de ser blanco y negro.

 

Foto de National Cancer Institute en Unsplash

 

Cinco anotadores humanos expertos podrían proporcionar cinco segmentaciones diferentes, tal vez sin estar de acuerdo sobre la existencia o extensión de los bordes de un nódulo en una imagen de TC de pulmón.

 

“Tener opciones puede ayudar en la toma de decisiones. Incluso el simple hecho de ver que hay incertidumbre en una imagen médica puede influir en las decisiones de una persona, por lo que es importante tener en cuenta esta incertidumbre”, afirma Marianne Rakic, candidata a doctorado en informática del MIT.

 

Rakic ​​es el autor principal de un artículo junto con otros en el MIT, el Broad Institute del MIT y Harvard, y el Hospital General de Massachusetts que presenta una nueva herramienta de inteligencia artificial que puede capturar la incertidumbre en una imagen médica.

 

Conocido como Tyche (llamado así por la divinidad griega del azar), el sistema proporciona múltiples segmentaciones plausibles y cada una resalta áreas ligeramente diferentes de una imagen médica. Un usuario puede especificar cuántas opciones genera Tyche y seleccionar la más adecuada para su propósito. Es importante destacar que Tyche puede abordar nuevas tareas de segmentación sin necesidad de volver a capacitarse.

 

La capacitación es un proceso que requiere un uso intensivo de datos que implica mostrar un modelo con muchos ejemplos y requiere una amplia experiencia en aprendizaje automático. Debido a que no necesita reentrenamiento, Tyche podría ser más fácil de utilizar para los médicos e investigadores biomédicos que otros métodos.

 

Podría aplicarse "listo para usar" para una variedad de tareas, desde identificar lesiones en una radiografía de pulmón hasta detectar anomalías en una resonancia magnética del cerebro. En última instancia, este sistema podría mejorar los diagnósticos o ayudar en la investigación biomédica al llamar la atención sobre información potencialmente crucial que otras herramientas de IA podrían pasar por alto.

 

“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”, añade el autor principal Adrian Dalca, profesor asistente de la Facultad de Medicina de Harvard y del MGH, y un investigador. Científico del Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT (CSAIL).

 

Abordar la ambigüedad

Los sistemas de inteligencia artificial para la segmentación de imágenes médicas suelen utilizar redes neuronales. Basadas libremente en el cerebro humano, las redes neuronales son modelos de aprendizaje automático que comprenden muchas capas interconectadas de nodos, o neuronas, que procesan datos.

 

Fuente: https://news.mit.edu

Autor: Adam Zewe

 

 

 

---

Volver al listado