La nueva IA para las mamografías tiene como objetivo ayudar en ocasión de reemplazar la toma de decisiones humana – ScienceDaily

0


Los ingenieros informáticos y radiólogos de la Universidad de Duke han desarrollado una plataforma de inteligencia artificial para analizar lesiones potencialmente cancerosas en mamografías para determinar si un paciente debe recibir una biopsia invasiva. Pero a diferencia de sus muchos predecesores, este algoritmo es interpretable, lo que significa que muestra a los médicos exactamente cómo llegó a sus conclusiones.

Los investigadores entrenaron a la IA para localizar y evaluar lesiones como lo haría un radiólogo real, en lugar de permitirle desarrollar libremente sus propios procedimientos, lo que le dio numerosas ventajas sobre sus contrapartes de «caja negra». Podría servir como una plataforma de formación útil para enseñar a los estudiantes a leer imágenes de mamografía. También podría ayudar a los médicos en regiones escasamente pobladas del mundo que no leen mamogramas regularmente para tomar mejores decisiones de salud.

Los hallazgos aparecieron en línea el 15 de diciembre en la revista Inteligencia de la máquina de la naturaleza.

«Si una computadora ayudará a tomar decisiones médicas importantes, los médicos deben confiar en que la IA está basando sus conclusiones en algo que tiene sentido», dijo Joseph Lo, profesor de radiología en Duke. “Necesitamos algoritmos que no solo funcionen, sino que se expliquen por sí mismos y muestren ejemplos de en qué están basando sus conclusiones. De esta manera, independientemente de si un médico está de acuerdo con el resultado o no, la IA ayuda a tomar mejores decisiones”.

La ingeniería de inteligencia artificial que lee imágenes médicas es una industria enorme. Ya existen miles de algoritmos independientes y la FDA ha aprobado más de 100 para uso clínico. Sin embargo, independientemente de si leen resonancias magnéticas, tomografías computarizadas o mamografías, muy pocos de ellos usan conjuntos de datos de validación con más de 1000 imágenes o contienen información demográfica. Esta falta de información, junto con las fallas recientes de varios ejemplos notables, ha llevado a muchos médicos a cuestionar el uso de la IA en decisiones médicas de alto riesgo.

En un caso, un modelo de inteligencia artificial también falló cuando los investigadores lo entrenaron con imágenes tomadas de diferentes instalaciones usando diferentes equipos. En lugar de centrarse únicamente en las lesiones de interés, la IA ha aprendido a utilizar diferencias sutiles introducidas por el propio equipo para reconocer imágenes del departamento de cáncer y asignar a esas lesiones una mayor probabilidad de ser cancerosas. Como era de esperar, la IA no se transfirió bien a otros hospitales que usaban equipos diferentes. Pero debido a que nadie sabía qué buscaba el algoritmo al tomar decisiones, nadie sabía que estaba condenado a fallar en las aplicaciones del mundo real.

«Nuestra idea era, en cambio, construir un sistema que dijera que esta parte específica de una posible lesión cancerosa se parece mucho a esta que he visto antes», dijo Alina Barnett, estudiante de doctorado en ciencias de la computación en Duke y primera autora del artículo. estudio. «Sin estos detalles explícitos, los médicos perderán tiempo y confianza en el sistema si no hay forma de entender por qué a veces comete errores».

Cynthia Rudin, profesora de ingeniería eléctrica e informática e informática en Duke, compara el proceso de la nueva plataforma de inteligencia artificial con el de un tasador inmobiliario. En los modelos de caja negra que dominan el campo, un tasador daría el precio de una casa sin ninguna explicación. En un modelo que incluye lo que se conoce como un «mapa de prominencia», el tasador podría señalar que el techo y el jardín de una casa fueron factores clave en su decisión de precio, pero no brindaría más detalles.

«Nuestro método diría que tiene un techo de cobre único y una piscina en el patio trasero que son similares a estas otras casas en su vecindario, lo que ha aumentado sus precios en esta cantidad», dijo Rudin. «Esto es lo que podría tener la transparencia en la IA de imágenes médicas y lo que los médicos deberían exigir para cualquier desafío radiológico».

Los investigadores entrenaron la nueva IA con 1136 imágenes tomadas de 484 pacientes del Sistema de Salud de la Universidad de Duke.

Primero le enseñaron a la IA a encontrar las lesiones sospechosas en cuestión y a ignorar todo el tejido sano y otros datos irrelevantes. Luego contrataron a radiólogos para etiquetar cuidadosamente las imágenes para enseñar a la IA a enfocarse en los bordes de las lesiones, donde los tumores potenciales se encuentran con el tejido circundante sano, y comparar esos bordes con los bordes de las imágenes con resultados cancerosos y benignos conocidos.

Las líneas radiantes o bordes borrosos, conocidos en medicina como márgenes de masa, son el mejor predictor de tumores cancerosos de mama y lo primero que buscan los radiólogos. Esto se debe a que las células cancerosas se replican y expanden tan rápido que no todos los bordes de un tumor en desarrollo son fáciles de ver en las mamografías.

«Esta es una forma única de entrenar una IA para mirar imágenes médicas», dijo Barnett. «Otras IA no intentan imitar a los radiólogos; están ideando sus propios métodos para responder a la pregunta que a menudo no son útiles o, en algunos casos, dependen de procesos de razonamiento imperfectos».

Una vez que se completó el entrenamiento, los investigadores pusieron a prueba la IA. Si bien no superó a los radiólogos humanos, funcionó tan bien como otros modelos de computadora de caja negra. Cuando la nueva IA esté equivocada, las personas que trabajan con ella podrán reconocer que está equivocada y por qué cometió el error.

En el futuro, el equipo está trabajando para agregar otras características físicas que la IA debe tener en cuenta al tomar sus decisiones, como la forma de una lesión, que es una segunda característica que los radiólogos aprenden a observar. Rudin y Lo también recibieron recientemente un premio Duke MEDx High-Risk High-Impact Award por continuar desarrollando el algoritmo y realizar un estudio de lectores de radiólogos para ver si ayuda al rendimiento clínico y/o la confianza.

«Hubo mucha emoción cuando los investigadores comenzaron a aplicar IA a las imágenes médicas de que tal vez la computadora pueda ver algo o entender algo que la gente no podía», dijo Fides Schwartz, investigador de Duke Radiology. «En algunos casos raros, ese podría ser el caso, pero probablemente no sea el caso en la mayoría de los escenarios. Por lo tanto, es mejor asegurarse de que los humanos entendamos qué información ha estado usando la computadora para basar sus decisiones».

Esta investigación fue apoyada por los Institutos Nacionales de Salud/Instituto Nacional del Cáncer (U01-CA214183, U2C-CA233254), el Laboratorio Lincoln del MIT, los TRÍPODOS de Duke (CCF-1934964) y el Fondo de Incubación de Duke.

También podría gustarte
Deja una respuesta

Su dirección de correo electrónico no será publicada.

This website uses cookies to improve your experience. We'll assume you're ok with this, but you can opt-out if you wish. Accept Read More