Hacia la asistencia sanitaria con soporte de IA
El aprendizaje profundo define el cáncer tan bien como el diagnóstico de laboratorio.
En Occidente, el cáncer de pulmón es el tipo más mortal de cáncer. Los especialistas en diagnóstico de laboratorio examinan muestras de tejido con un microscopio y las clasifican para determinar la etapa de desarrollo del tumor y prescribir el tratamiento. En cada caso, el cáncer es único a su manera, por lo que interpretar el medicamento puede ser una tarea difícil. Extremadamente dificil. ¿Puede la inteligencia artificial venir al rescate?
Si, si y ...
Mi hermano John Batson Sherlock de la BBC
Aprendizaje profundo
Recientemente, una técnica de análisis de imágenes ha surgido entre las tecnologías de aprendizaje profundo, trayendo cambios importantes en el campo de la visión por computadora. Identifica automáticamente características de imagen únicas y se denomina red neuronal convolucional (SNA). Para el reconocimiento automático de imágenes únicas en imágenes de red, utilizan un enfoque que utiliza el procesamiento de datos y realizan este trabajo mejor que una persona si tomamos las bases de datos ImageNet y CIFAR-10 marcadas manualmente como referencia. Si utiliza una gran cantidad de imágenes virtuales de medicamentos con los comentarios de especialistas, se puede enseñar al SNA a clasificar varios tipos de cáncer de pulmón según las imágenes, y así facilitar el proceso de detección y clasificación del adenocarcinoma de pulmón.
Modelo de ventana deslizante para clasificar imágenes virtuales de preparaciones pulmonares
Creando IA
Los científicos del Laboratorio Hassanpour de la Escuela de Medicina Geisel en Dartmouth publicaron un artículo científico en Nature Scientific Reports , que hablaba sobre una red neuronal que puede clasificar los subtipos histológicos de cáncer de pulmón: rastrero, acinar, papilar, micropapilar y sólido. El modelo se entrenó en más de 4.000 diapositivas virtuales comentadas y se ajustó utilizando un conjunto de muestras clásicas para cada tipo de característica. El modelo entrenado funcionó bien en estas muestras clásicas: con un área bajo la curva de la característica operativa mayor o igual a 0.97 para todas las categorías.
Indicador de rendimiento de IA para muestras clásicas de cáncer de pulmón
AI vs especialistas?
Para comparar el trabajo de esta IA y los especialistas en diagnóstico de laboratorio, los científicos midieron su desempeño en pruebas independientes. El modelo de aprendizaje profundo y tres médicos clasificaron 143 imágenes virtuales completas de medicamentos con casos reales. De acuerdo con el coeficiente Kappa y dos indicadores de acuerdo, el modelo que capacitaron omitió a los médicos de diagnóstico en todos los aspectos, como se muestra en esta tabla del informe:
Tabla 2: Comparación de especialistas y nuestro modelo en la clasificación de subtipos prevalecientes en 143 imágenes virtuales completas de medicamentos. Buen acuerdo (R. Acuerdo) significa el consentimiento del comentarista con al menos dos de los otros tres. El 95% de los intervalos de confianza se muestran entre paréntesis.
Para hacer una comparación, los tipos de características detectados por el modelo se presentaron gráficamente diapositiva a diapositiva, junto con expertos comentaron varias imágenes seleccionadas. Los partidos son muy precisos:
Visualización de la imagen histológica, comentada por especialistas ((Ai-iv) en comparación con los que determinaron el modelo de aprendizaje profundo (Bi-iv).
¿Qué significa esto?
El aprendizaje profundo se ha convertido en un método extremadamente poderoso que puede funcionar a la par de una persona incluso al resolver problemas complejos como el análisis de imágenes médicas. Un clasificador de cáncer de pulmón basado en algoritmos de aprendizaje profundo podría dividir a los pacientes en grupos y priorizar los casos para análisis médicos. También podría servir como una segunda opinión en casos con imágenes oscuras. Si bien estos métodos en el futuro pueden automatizar la parte del trabajo del especialista que consume mucho tiempo, queda mucho por hacer antes de que puedan usarse en la práctica. Este modelo necesita ser probado en muchas bases de datos de diferentes organizaciones. Su idoneidad debe ser confirmada por ensayos clínicos. ¿Es probable que un sistema automatizado reemplace a los especialistas en diagnóstico de laboratorio? Quizás una vez, pero no pronto. Todos los sistemas de IA deben probarse exhaustivamente en un entorno clínico antes de que los médicos, los pacientes y la comunidad médica puedan confiar en ellos.
Crear algoritmos de IA para la atención médica es como escalar una montaña alta. Podemos estar a medio camino, pero todavía queda un largo camino por recorrer y no se hace más fácil.
El código para clasificar una exploración con histopatología pulmonar está disponible públicamente en Github .