Herramienta de IA que detecta anomalías en imágenes médicas podría ayudar a los médicos a detectar el inicio de la neumonía por COVID-19 en los rayos X

El nuevo método desarrollado por científicos de Skoltech (Moscú, Rusia), Philips Research (Ámsterdam, Países Bajos) y la Universidad Goethe de Frankfurt (Frankfurt, Alemania) está adaptado a la naturaleza de las imágenes médicas y tiene más éxito en detectar anomalías que soluciones de uso general. La detección de anomalías en la imagen es una tarea que surge en el análisis de datos en muchas industrias. Sin embargo, las exploraciones médicas plantean un desafío particular. Es mucho más fácil para los algoritmos encontrar, digamos, un automóvil con una llanta pinchada o un parabrisas roto en una serie de imágenes de automóviles que saber cuál de las radiografías muestra signos tempranos de patología en los pulmones, como la aparición de la neumonía por COVID-19.

Los científicos estudiaron cuatro conjuntos de datos de radiografías de tórax e imágenes de microscopía de histología de cáncer de mama para validar la universalidad del método en diferentes dispositivos de imagen. Si bien la ventaja obtenida y la precisión absoluta variaron ampliamente y dependieron del conjunto de datos en cuestión, el nuevo método superó sistemáticamente a las soluciones convencionales en todos los casos considerados. Lo que distingue al nuevo método de los competidores es que busca "percibir" la impresión general que podría tener un especialista que trabaja con los escaneos al identificar las mismas características que afectan las decisiones de los anotadores humanos.

Lo que también distingue al estudio es la receta propuesta para estandarizar el enfoque del problema de detección de anomalías en imágenes médicas para que diferentes grupos de investigación puedan comparar sus modelos de manera consistente y reproducible. Según los científicos, su enfoque, los codificadores automáticos de percepción profunda, es fácil de trasladar a una amplia gama de otros escaneos médicos, más allá de los dos tipos utilizados en el estudio, porque la solución se adapta a la naturaleza general de tales imágenes. Es decir, es sensible a las anomalías a pequeña escala y utiliza algunos de sus ejemplos en el entrenamiento.

"Proponemos utilizar lo que se conoce como capacitación débilmente supervisada", dijo el profesor de Skoltech Dmitry Dylov, director del Grupo de Imágenes Computacionales del Instituto y autor principal del estudio. “Dado que no se encuentran disponibles dos clases claramente definidas, esta tarea suele ser tratada con modelos no supervisados ​​o fuera de distribución. Es decir, los casos anómalos no se identifican como tales en los datos de entrenamiento. Sin embargo, tratar la clase anómala como una completa desconocida es en realidad muy extraño para un problema clínico, porque los médicos siempre pueden señalar algunos ejemplos anómalos. Entonces, mostramos algunas imágenes anormales a la red para desatar el arsenal de métodos débilmente supervisados, y ayudó mucho. Incluso un solo escaneo anómalo por cada 200 normales es muy útil, y esto es bastante realista ".

"Nos complace que la asociación Philips-Skoltech nos permita abordar desafíos como este que son de gran relevancia para la industria del cuidado de la salud", dijo Irina Fedulova, coautora del estudio y directora de la rama de investigación de Philips en Moscú. “Esperamos que esta solución acelere considerablemente el trabajo de los histopatólogos, radiólogos y otros profesionales médicos que enfrentan la tediosa tarea de detectar pequeñas anomalías en grandes conjuntos de imágenes. Al someter los escaneos a un análisis preliminar, las imágenes obviamente no problemáticas se pueden eliminar, dando al experto humano más tiempo para concentrarse en los casos más ambiguos ".

Enlaces relacionados:
Skoltech
Philips Research
Universidad Goethe de Frankfurt