El avance del algoritmo de IA optimiza la eficacia y economía del diagnóstico a través de imágenes médicas
El diagnóstico a través de imágenes médicas, un componente crucial en la medicina contemporánea, ha visto mejoras significativas a causa de la inteligencia artificial (IA). Sin embargo, este enfoque basado en algoritmos de IA necesita grandes volúmenes de anotaciones para supervisar el entrenamiento del modelo.
Los profesionales en radiología tienen que hacer informes radiológicos para cada paciente para obtener estas etiquetas precisas necesarias para los algoritmos. Después, tienen que depender de personal capacitado en anotaciones para extraer y confirmar etiquetas estructuradas desde los informes con reglas establecidas por humanos y herramientas de procesamiento del lenguaje natural (PLN). Por ende, la precisión de estas etiquetas extraídas depende significativamente del esfuerzo humano y las herramientas de PLN, convirtiendo todo el proceso en algo muy costoso en términos de tiempo y mano de obra.
Inteligencia artificial en imágenes médicas
Metodología REEFERS
Un grupo de ingenieros de la Universidad de Hong Kong (HKU) ha desarrollado REEFERS, una novedosa metodología (Revisión de informes de texto libre para supervisión) que permite curtir automáticamente señales de supervisión de centenares de miles de informes radiológicos, reduciendo costos humanos a un 90% y realizando predicciones más exactas.
Este vanguardista estudio fue publicado en Nature Machine Intelligence y llevó el título de «Aprendizaje de representación de radiografías generalizadas mediante supervisión Ross entre imágenes e informes de radiología de texto libre».
Con la implementación de REEFERS, nos encontramos un paso más cerca de realizar una IA médica generalizada. De hecho, el profesor Yu Yizhou, líder del equipo de ingeniería del Departamento de Ciencias de la Computación de HKU, afirmó, “Creemos que las oraciones de razonamiento lógico abstracto y complejo en los informes de radiología proporcionan suficiente información para aprender características visuales fácilmente transferibles. Con la capacitación adecuada, REEFERS aprende directamente representaciones radiográficas a partir de informes de texto libre sin necesidad de involucrar mano de obra en el etiquetado”.
Entrenando el sistema REEFERS
Para entrenar el sistema REEFERS, el equipo de investigación hizo uso de una base de datos pública con 370,000 imágenes de rayos X e informes radiológicos correspondientes. Los expertos construyeron un modelo de reconocimiento de radiografías con tan solo 100 radiografías y alcanzaron una precisión de las predicciones del 83%. Al aumentar a 1,000 el modelo logró una precisión del 88.2% y cuando utilizaron 10,000 radiografías, la precisión mejoró al 90.1%.
REEFERS puede lograr su objetivo ejecutando dos tareas en cuanto al proceso de informes. Primero, traduce las radiografías en informes de texto, encodificando las radiografías en una representación intermedia. Después, esta es utilizada para predecir informes de texto a través de una red de decoders. Para comparar la similaridad entre los textos previstos y reales de los informes, se define una función de pérdida.
El otro proceso implica que REEFERS codifica en un principio las radiografías e informes de texto libre en el mismo espacio semántico. En este espacio, las representaciones de cada informe y las radiografías correspondientes son alineadas por medio del aprendizaje contrastivo.
El Dr. Zhou Hong-Yu, autor principal del estudio, señaló “En comparación con los métodos tradicionales que dependen mucho de anotaciones humanas, REEFERS tiene la habilidad de adquirir supervisión de cada palabra en los informes de radiología. Esto nos permite reducir en gran medida el volumen de anotaciones de datos en un 90%, y el costo de desarrollar inteligencia artificial médica. Esto representa un avance significativo hacia la realización de la inteligencia artificial médica generalizada”.
LEE MÁS ARTÍCULOS SOBRE: Salud con IA.
LEE LA ENTRADA ANTERIOR: La IA generativa cambia la atención médica, pero no si el control se cede a las grandes tecnológicas.