Algoritmo de aprendizaje automático diagnostica el cáncer antes y con exactitud

Los investigadores primero crearon modelos basados en la física que mostraban niveles variables de propiedades clave y luego usaron miles de entradas de datos derivados de esos modelos para entrenar el algoritmo de aprendizaje automático. Este tipo de técnicas se vuelven importantes en situaciones donde los datos son escasos, como en el caso de las imágenes médicas.

Los investigadores utilizaron unas 12.000 imágenes sintéticas para entrenar el algoritmo de aprendizaje automático. Al proporcionar suficientes ejemplos, el algoritmo puede obtener diferentes características inherentes a un tumor benigno versus un tumor maligno y hacer la determinación correcta. Después de lograr una exactitud de clasificación de casi el 100% en otras imágenes sintéticas, los investigadores probaron el algoritmo en imágenes del mundo real para determinar su exactitud en proporcionar un diagnóstico y midieron los resultados contra los diagnósticos confirmados por biopsia asociados con esas imágenes. El algoritmo de aprendizaje automático logró una tasa de exactitud de aproximadamente el 80% y ahora se refina aún más mediante el uso de más imágenes del mundo real como entradas.

Con base en los principios utilizados para entrenar el algoritmo de aprendizaje automático para el diagnóstico de cáncer de mama, los investigadores ahora buscan entrenar el algoritmo para diagnosticar mejor el cáncer renal a través de imágenes de TC con contraste. Los investigadores creen que es poco probable que los algoritmos de aprendizaje automático reemplacen el papel de un radiólogo en la determinación del diagnóstico, pero sí podrán servir como una herramienta para guiar a los radiólogos a llegar a conclusiones más exactas.

“El consenso general es que estos tipos de algoritmos tienen un papel importante que desempeñar, incluso de los profesionales de la imagenología a los que impactará más. Sin embargo, estos algoritmos serán más útiles cuando no sirven como cajas negras”, dijo Assad Oberai, profesor de Hughes en el Departamento de Ingeniería Aeroespacial y Mecánica de la Escuela de Ingeniería Viterbi de la USC. “¿Qué fue lo que vio que lo llevó a la conclusión final? El algoritmo debe ser explicable para que funcione según lo previsto”.

Enlace relacionado:
Universidad del Sur de California