La IA puede distinguir los tumores cerebrales del tejido sano

La IA es especialmente prometedora en radiología, donde los retrasos en el procesamiento de imágenes médicas a menudo pueden posponer la atención al paciente. Las redes neuronales convolucionales (CNN) son herramientas robustas que se utilizan para entrenar modelos de IA en grandes conjuntos de datos de imágenes para identificar y clasificar imágenes. Esto permite que las redes "aprendan" a distinguir entre diferentes tipos de imágenes. Además, las CNN también tienen la capacidad de "aprendizaje por transferencia,", lo que permite que los modelos entrenados para una tarea se apliquen a nuevas tareas similares. Los modelos de IA ya han demostrado la capacidad de identificar tumores cerebrales en imágenes de resonancia magnética con una precisión casi humana. Ahora, en un nuevo estudio, los investigadores han demostrado que los modelos de IA se pueden entrenar para diferenciar entre tumores cerebrales y tejido sano.

Aunque la detección de animales camuflados y la clasificación de tumores cerebrales puedan parecer tareas no relacionadas, los investigadores de la Universidad de Boston (Boston, MA, EUA.) vieron una conexión entre el camuflaje natural de los animales y la forma en que las células cancerosas se mezclan con el tejido sano circundante. La capacidad de generalizar (el proceso de categorizar varios elementos bajo una identidad común) es crucial para que el modelo de IA detecte objetos camuflados. Esta capacidad podría ser particularmente ventajosa para detectar tumores. En su estudio retrospectivo utilizando datos de resonancia magnética disponibles públicamente, los investigadores exploraron cómo se podrían entrenar las redes neuronales utilizando datos de imágenes de cáncer cerebral, incorporando un paso único de detección de camuflaje para mejorar las capacidades de detección de tumores de las redes.

Los investigadores utilizaron imágenes de resonancia magnética de repositorios públicos que contenían tanto escaneos de cerebros cancerosos como sanos para entrenar las redes neuronales en la identificación de áreas cancerosas, su diferenciación del tejido sano y la clasificación del tipo de cáncer. Los resultados, publicados en Biology Methods and Protocols, mostraron que las redes funcionaron casi impecablemente en la detección de imágenes cerebrales sanas, con solo 1 o 2 falsos negativos, y también pudieron diferenciar entre cerebros cancerosos y no cancerosos. Una de las redes logró una precisión del 85,99 % en la detección de cáncer cerebral, mientras que la otra alcanzó el 83,85 %. Una característica importante de estas redes es su capacidad para explicar sus decisiones, lo que puede aumentar la confianza que tanto los profesionales médicos como los pacientes depositan en los modelos de IA. Esta transparencia es particularmente valiosa, ya que los modelos de aprendizaje profundo a menudo son criticados por su falta de interpretabilidad. La red fue capaz de generar imágenes que resaltaron áreas específicas en su clasificación de imágenes tumorales positivas o negativas, lo que permitiría a los radiólogos verificar los hallazgos de la IA, sirviendo casi como una segunda opinión en radiología.

De cara al futuro, los investigadores creen que el desarrollo de modelos de redes profundas cuyas decisiones sean fáciles de explicar será crucial para que la IA desempeñe un papel transparente y de apoyo en entornos clínicos. Si bien las redes tuvieron un rendimiento menos eficaz al distinguir entre diferentes tipos de cáncer cerebral, el estudio demostró que exhibían representaciones internas distintas. La precisión y la claridad de las redes mejoraron a medida que se las entrenó utilizando la detección de camuflaje. El aprendizaje por transferencia aumentó la precisión de las redes y, si bien el modelo con mejor rendimiento fue aproximadamente un 6 % menos preciso que la detección humana estándar, la investigación destaca con éxito las mejoras en la precisión logradas con este enfoque de entrenamiento. Los investigadores sostienen que, cuando se combina con métodos para explicar las decisiones de la red, este enfoque fomentará la transparencia necesaria para futuras aplicaciones de IA en entornos clínicos.

“Los avances en IA permiten una detección y un reconocimiento de patrones más precisos”, afirmó el autor principal del artículo, Arash Yazdanbakhsh. “Esto, en consecuencia, permite una mejor ayuda en el diagnóstico y cribado basados en imágenes, pero también requiere más explicaciones sobre cómo la IA realiza estas tareas. El objetivo de lograr que la IA sea explicable mejora la comunicación entre los humanos y la IA en general. Esto es particularmente importante entre los profesionales médicos y la IA diseñada para fines médicos. Los modelos claros y explicables están mejor posicionados para ayudar en el diagnóstico, rastrear la progresión de la enfermedad y monitorear el tratamiento”.