A la izquierda de cada cuadrante hay una imagen real de rayos X del tórax de un paciente y junto a ella, la radiografía sintetizada formulada por el DCGAN. Debajo de las imágenes de rayos X se encuentran los mapas de calor correspondientes, que es como el sistema de aprendizaje automático ve las imágenes. Crédito: Hojjat Salehinejad / MIMLab

La inteligencia artificial (IA) tiene un potencial real para mejorar tanto la velocidad como la precisión del diagnóstico médico. Pero antes de que los médicos puedan aprovechar el poder de la IA para identificar condiciones en imágenes como los rayos X, tienen que ‘enseñar’ los algoritmos a qué buscar.

La identificación de patologías raras en imágenes médicas ha presentado un desafío persistente para los investigadores, debido a la escasez de imágenes que pueden usarse para entrenar sistemas de inteligencia artificial en un entorno de aprendizaje supervisado.

El profesor Shahrokh Valaee y su equipo han diseñado un nuevo enfoque: utilizar el aprendizaje automático para crear rayos X generados por computadora para aumentar los conjuntos de entrenamiento de IA.

“En cierto sentido, estamos utilizando el aprendizaje automático para hacer aprendizaje automático”, dice Valaee, profesor en el Departamento de Ingeniería Eléctrica y Computación (ECE) de Edward S. Rogers en la Universidad de Toronto. “Estamos creando radiografías simuladas que reflejan ciertas condiciones raras para que podamos combinarlas con rayos X reales para tener una base de datos lo suficientemente grande como para entrenar las redes neuronales para identificar estas afecciones en otros rayos X”.

Valaee es miembro del Laboratorio de Inteligencia Artificial en Medicina (MIMLab), un grupo de médicos, científicos e investigadores de ingeniería que combinan su experiencia en el procesamiento de imágenes. y medicina para resolver desafíos médicos. “AI tiene el potencial para ayudar de innumerables maneras en el campo de la medicina”, dice Valaee. “Pero para hacer esto necesitamos una gran cantidad de datos: las miles de imágenes etiquetadas que necesitamos para hacer que estos sistemas funcionen simplemente no existen para algunas condiciones raras”.

Para crear estos rayos X artificiales, el equipo usa una técnica de inteligencia artificial llamada conflicto convolucional profundo generativo. (DCGAN) para generar y mejorar continuamente las imágenes simuladas. Los GAN son un tipo de algoritmo formado por dos redes: una que genera las imágenes y la otra que intenta discriminar imágenes sintéticas de imágenes reales. Las dos redes están entrenadas hasta el punto de que el discriminador no puede diferenciar las imágenes reales de las sintetizadas. Una vez que se crea una cantidad suficiente de rayos X artificiales, se combinan con rayos X reales para entrenar a , que luego clasifica las imágenes como normales o identifica una serie de condiciones.

“Hemos podido demostrar que los datos artificiales generados por un GAN convolucional profundo se pueden utilizar para aumentar los conjuntos de datos reales”, dice Valaee. “Esto proporciona una mayor cantidad de datos para la capacitación y mejora el rendimiento de estos sistemas en la identificación de condiciones raras”.

El profesor Shahrokh Valaee (ECE, a la izquierda) y el candidato a doctorado Hojjat Salehinejad están utilizando el aprendizaje automático para crear imágenes de rayos X de tórax simuladas para entrenar los sistemas de IA para identificar patologías raras. Crédito: Jessica MacInnis

El MIMLab comparó la precisión de su conjunto de datos aumentado con el conjunto de datos original cuando se alimentó a través de su sistema de IA y encontró que la precisión de clasificación mejoró en un 20% para condiciones comunes. Para algunos raros , la precisión mejoró hasta alrededor del 40 por ciento, y debido a que los rayos X sintetizados no son de individuos reales, puede estar fácilmente disponible para los investigadores fuera de las instalaciones del hospital sin violar las preocupaciones de privacidad.

“Es emocionante porque hemos sido capaces de superar un obstáculo en la aplicación de inteligencia artificial a la medicina al mostrar que estos conjuntos de datos aumentados ayudan a mejorar la clasificación “, dice Valaee.” El aprendizaje profundo solo funciona si el volumen de datos de capacitación es lo suficientemente grande y esta es una forma de garantizar que tenemos redes neuronales que pueden clasificar con alta precisión “.


Explora más:
La inteligencia artificial puede ayudar a diagnosticar la tuberculosis en áreas remotas