¿Lograrán Reemplazar A Los Médicos Aplicaciones En Radiología Torácica. Grupo Respiratorio Integramé

Entradas recientes
Serie: Inteligencia artificial y aprendizaje de máquinas en medicina:¿lograrán reemplazar a los médicos? Aplicaciones en radiología torácica.
+Gonzalo Alvear+
En esta nueva entrada de la Serie sobre la inteligencia artificial y el aprendizaje de máquinas, los autores analizan las aplicaciones ya existentes y las que probablemente vendrán” en los próximos años en radiología de tórax.
J Thorac Imaging 2019;34:75-85
Introducción
El aprendizaje profundo es un género del aprendizaje de máquinas que permite que modelos computacionales aprendan representaciones de datos con múltiples niveles de abstracción, por medio del uso de un número capas de procesamientos individuales. La característica más distintiva del aprendizaje profundo, comparado con los métodos de aprendizaje de máquinas convencionales, es que puede extraer las características de forma completamente automática y ,por sí misma, generar modelos apropiados para las tareas asignadas, directamente desde los datos crudos, sin la necesidad de involucrar a humanos.
Los modelos de aprendizaje profundo han irrumpido en varios campos, incluyendo el reconocimiento de imágenes, el reconocimiento del habla, como también en la tecnología de la información. En el campo médico, por su parte, la aplicación del aprendizaje profundo está aún en su infancia. Algunas de las primeras demostraciones exitosas de las técnicas de aprendizaje profundo se reportaron en la detección de linfonodos metastásicos en micrografías de muestras histológicas, análisis de cáncer de piel de fotografías de lesiones y en el diagnóstico de retinopatía diabética de imágenes fundoscópicas.
En radiología, el aprendizaje profundo ayudará a mejorar la eficiencia mediante la interpretación automática de las imágenes y la generación de un diagnóstico diferencial apropiado. Las aplicaciones basadas en la nube, también permiten que los algoritmos de aprendizaje profundo sigan aprendiendo en forma continua, basándose en los datos que no están restringidos a una institución única.
En el ámbito de las imágenes torácicas, se ha hecho un esfuerzo significativo dirigido a desarrollar y aplicar los sistemas de detección ayudado por computadoras (DAC), para la detección de nódulos en las radiografías de tórax y tomografías computadas (TAC). Aunque muchos sistemas DAC están siendo utilizados en la práctica clínica, su implementación no ha sido amplíamente aceptada debido a su mal desempeño (frecuentes casos de falsos positivos y falsos negativos). Los enfoques de aprendizaje profundo tienen el potencial de superar las limitaciones del los actuales sistemas DAC, con varios estudios que han mostrado resultados promisorios. Además, el reconocimiento de patrones de enfermedad, la segmentación de la lesión, el diagnóstico y la predicción de sobrevida, han sido estudiados exitosamente usando el aprendizaje profundo en las imágenes torácicas. Pero existe aún preocupación en cuanto a su aplicabilidad clínica.
Aprendizaje profundo y redes neurales convolucionales (RNC)
El aprendizaje de máquinas se outline como un grupo de métodos que pueden detectar, en forma automática, patrones en los datos, para luego utilizar estos patrones descubiertos en la clasificación, predicción conducción en la toma de varios tipos de decisiones bajo condiciones inciertas. Las técnicas convencionales de aprendizaje de máquinas descansan en la ingeniería de grandes cantidades de datos y requieren del dominio de una gran cantidad de experiencia en el diseño de un algoritmo extractor de características” que convierta los datos crudos en representaciones adecuables para el análisis computacional. Una RNC es un tipo especial de aprendizaje profundo que es muy comparable al proceso de aprendizaje de la corteza visual de los mamíferos, y es responsable de las recientes mejoras en el campo de la visión computacional (por ejemplo, los automóviles automanejables). Con la disponibilidad de una gran cantidad de datos y el aumento del poder computacional, las RNC han producido resultados prometedores para muchas tareas, incluyendo la clasificación de imágenes, la detección correcta de imágenes, la segmentación de imágenes y el proceso de aprendizaje del lenguaje pure.
La arquitectura de una RNC puede estar compuesta por capas convolucionales, agrupadas y completamente conectadas (Figura 1): (1) las capas convolucionales detectan características locales distintivas en los datos, al aplicar múltiples filtros y generar múltiples mapas de características; (2) las capas agrupadas disminuyen en forma efectiva las dimensiones de los mapas de las características; (three) las capas completamente conectadas integran todas las características y eventualmente las proyectan hacia una capa resultante”, la que sirve para responder la tarea que se le impuso. Al usar RNC profundas (se repiten y agrupan las diferentes capas varias veces) para imitar la purple multicapa neuromórfica pure, el aprendizaje profundo puede aprender automáticamente y adaptativamente una representación jerárquica de patrones y, consecutivamente, identificar las características más significativas para una tarea dada. Con el fin de tratar con tareas complejas, se requieren de redes con muchas capas (llamadas redes profundas). Pero el adicionar más capas, aumenta el número de parámetros en el modelo, lo que puede hacer más difícil el proceso de entrenamiento para una tarea específica sin sobrevalorar los datos.
Aplicaciones en las imágenes torácicas
-Radiografía de tórax
Si bien estos exámenes son clínicamente útiles, eficientes y costo efectivos, las radiografías de tórax consisten en información anatómica compleja tridimensional, condensada en una proyección bidimensional. La interpretación exacta de una radiografía de tórax requiere de una gran experiencia y conocimiento médico de parte del radiólogo. Se ha demostrado una considerable variabilidad inter e intraobservador, pérdida de lesiones y retardos en los reportes en la práctica médica ordinary. La tecnología de aprendizaje profundo tiene el potencial de detectar, en forma automática, las anormalidades asistir a los radiólogos en la lectura de las radiografías de tórax.
+ Detección de nódulos pulmonares
La detección de nódulos pulmonares en las radiografías de tórax es un área promisoria para la aplicación de la tecnología de aprendizaje profundo. Debido a los factores confundentes de las complejidades anatómicas en las radiografías de tórax, el screening del cáncer pulmonar utilizando las radiografías de tórax ha alcanzado resultados poco satisfactorios, con reportes de nódulos no vistos en hasta el forty% de los casos.
Los sistemas DAC han sido desarrollados para ayudar a los radiólogos a la detección de los nódulos pulmonares. Recientemente, este método ha mostrado una sensibilidad del 71%, con 1,3 marcas de falsos positivos por imagen. Los sistemas DAC que usan tecnologías de aprendizaje profundo, han mejorado la exactitud de la detección de nódulos en las radiografías de tórax, con disminución significativa de marcas de falsos positivos por examen (1,19).
+ Diagnostico de tuberculosis
Otro campo específico de investigación, con gran potencial en salud pública, es la utilización de la tecnología de aprendizaje profundo para el diagnóstico de la tuberculosis pulmonar en base a la radiografía de tórax. La radiografía de tórax es una herramienta imagenológica de alta sensibilidad para el triage y screening de la infección activa y previa por tuberculosis. Se han realizado grandes esfuerzos para desarrollar sistemas DAC para la detección de la tuberculosis pulmonar en radiografías de tórax. Los sistemas DAC tradicionales, sin la tecnología de aprendizaje profundo, han mostrado una detección aceptable de la tuberculosis, y el uso de redes neurales convolucionales asociadas al DAC supera la detección, aunque se necesitan más estudios para establecer el verdadero beneficio clínico.
+ Detección de un patrón de alteraciones múltiples (PAM)
Cada radiografía de tórax puede contener múltiples alteraciones, por ejemplo, neumonía, derrame pleural, neumotórax, dispositivos médicos y cardiomegalia. La tecnología de aprendizaje profundo facilita la detección de un PAM, más que concentrarse simplemente en nódulos tuberculosis, lo que podría ser más práctico clínicamente.
La emergencia del aprendizaje profundo ha mejorado drásticamente el rendimiento del aprendizaje de máquinas para el reconocimiento, detección y localización de objetos, comparado con las metodologías previas existentes. Recientemente, dos grandes grupos de datos de radiografías de tórax (>a hundred and ten.000 de 30.805 pacientes) han sido liberadas al público. Estos datos públicos sirven como grupos de datos para la validación externa para cualquier aplicación de aprendizaje profundo que utilice radiografías de tórax.
Un estudio que entrenó varios modelos de RNC para detectar 8 patrones anormales (atelectasias, cardiomegalia, derrame pleural, infiltrados parenquimatosos, masas pulmonares, nódulos pulmonares, neumonía y neumotórax) en las radiografías de tórax, alcanzó rangos de exactitud entre 0,56 y zero,seventy eight. La detección de PAM en la radiografía de tórax con la tecnología de aprendizaje profundo es aún un área de investigación activa, y diferentes metodologías están siendo evaluadas y validadas, por lo que probablemente la exactitud irá mejorando (Figura four y 5).
– TAC de tórax
Los sistemas DAC en el TAC pueden mejorar el trabajo de los radiólogos al disminuir el tiempo requerido para leer los exámenes y mejorar la exactitud de la lectura.
+ Detección/screening de nódulos pulmonares
Desde que el estudio de screening de cáncer pulmonar NLST (National Lung Screening Trial) anunció una mejoría significativa (20%) de la mortalidad de cáncer pulmonar en población de alto riesgo, con el uso del TAC de dosis bajas como método de screening, esta manera de realizar la búsqueda del cáncer fue ampliamente aceptada. Un sistema DAC podría ayudar a los radiólogos, tanto en la detección como en la clasificación de los nódulos pulmonares. Aunque los sistemas DAC tradicionales han mostrado resultados sólidos, generalmente dependen de la labor humana. La aplicación de tecnologías de aprendizaje profundo puede potencialmente remover esta necesidad de intervención humana de los sistemas DAC tradicionales. Las RNC son las tecnologías de aprendizaje profundo más comúnmente utilizadas en la detección de nódulos pulmonares en el TAC, logrando una buena sensibilidad para la detección de nódulos, manteniendo una tasa aceptable de falsos positivos.
La clasificación de los nódulos pulmonares detectados, también es un área de potenciales beneficios con el uso de sistemas DAC. Ya que existe una variabilidad interobservador appreciable en la clasificación de los nódulos pulmonares entre los radiólogos, la aplicación de los sistemas de aprendizaje profundo han alcanzado un buen desempeño en la clasificación de los tipos de nódulos, basándose en el sistema RADS pulmonar, alcanzando una variabilidad interobservador related a la de los radiólogos expertos.
+ Enfermedad pulmonar intersticial (EPI)
La clasificación del patrón de las EPI es otra área de interés para las tecnologías de aprendizaje profundo. El diagnóstico preciso de las EPI es generalmente un reto, ya que la mayoría de ellas tienen manifestaciones clínicas similares, siendo histológicamente diferentes y heterogéneas y con pronósticos diferentes.
Las EPI tienen related apariencia en el TAC y los radiólogos han mostrado alta variabilidad, tanto intra como interobservador. Por tanto, la identificación y clasificación automática de los diferentes patrones de EPI al TAC podría ser útil, incluso para los radiólogos más expertos, y la aplicación de la tecnología de aprendizaje profundo podría tener un rol prominente en el desarrollo de los sistemas DAC. Métodos de RNC han alcanzado una precisión en la clasificación del patrón de las EPI de un 87,9% (Figura 7).
+ EPOC blog de inteligencia artificialinteligencia artificial pelicula
Un campo más básico de aplicación para las tecnologías de aprendizaje profundo, es la segmentación y reconstrucción de órganos de interés en los TAC. Varios métodos para la segmentación de órganos han sido desarrollados y probados, mostrando promisorios resultados, pero los modelos basados en aprendizaje profundo podrían mejorar aún más estos resultados, aportando robustez y generabilidad para las distintas plataformas de imágenes, proveyendo resultados más seguros. Un modelo profundo llamado redes anidadas holísticamente progresivas (RAHP), mostró mejorías significativas en la segmentación pulmonar comparado con enfoques de segmentación previas (Figura 8).
Además de la segmentación del tejido pulmonar, la segmentación de la vía aérea en forma robusta y segura, también es esencial. Un gran número de métodos anteriores tienen sus limitaciones comunes. Las redes profundas convolucionales resultan en mayor sensibilidad y especificidad, comparado con todos los otros algoritmos (Figura 9).
– Radiómica y sobrevida profunda
La radiómica y la predicción de los desenlaces en los pacientes (sobrevida profunda”), también son áreas de investigación para la aplicación de la tecnología de aprendizaje profundo. La radiómica comprende la extracción de alto rendimiento de características cuantitativas de las imágenes médicas, para desarrollar modelos seguros para predecir la información genómica, desenlaces clínicos y sobrevida. La extracción de características radiómicas es un proceso crítico en la investigación radiómica y la mayoría de los estudios previos usan características hechas a mano, las que están limitadas por el conocimiento médico precise y la observación humana. Por el contrario, las RNC y el aprendizaje de transferencia, pueden ser incorporados en los modelos radiómicos para extraer más características diversas (características profundas), las que no necesitan el pre requisito del conocimiento médico y sus sesgos.
La combinación de características profundas de nódulos pulmonares detectados en el TAC de tórax con características radiómicas tradicionales para predecir la probabilidad de un nódulo maligno, ha reportado una precisión world del 76,8%. Con el uso de RNC, se ha podido predecir la mortalidad con aún mayor discriminación. La radiómica profunda y la sobrevida profunda son dos nuevos campos promisorios de estudio.
Perspectivas, retos y limitaciones
Un sistema DAC basado en el aprendizaje profundo puede usarse para encontrar hallazgos críticos en las radiografías de tórax y hacer un triage antes de la lectura del radiólogo. Si esto logra resultados clínicamente aceptables en términos de la priorización de las radiografías, implicará que estos sistemas tienen en potencial de diferenciar las radiografías normales de las groseramente alteradas. Existen ya estudios sobre esto.
Los sistemas DAC también pueden ayudar en el diagnóstico de enfermedades como las EPI y generar reportes cuantitativos preliminares basados en los resultados del DAC. Estos reportes no tienen variabilidad interobservador”.
La detección, segmentación y cuantificación automáticas de una lesión mediante técnicas de aprendizaje profundo, facilita el reporte del análisis cuantitativo de las imágenes médicas. Estos datos probablemente proveerán de mejoras en la predicción de los desenlaces de los pacientes y estratificación del riesgo.
Existen también una serie de retos y problemas que hay que mencionar. Actualmente, los algoritmos de entrenamiento de aprendizaje profundo requieren de grandes grupos de datos (en este caso imágenes), fuertemente rotulados y anónimos. Estos datos son muy difíciles de obtener. Otro problema es la nomenclatura utilizada en las descripciones radiológicas, como por ejemplo consolidación” infiltrado”, las que no deben ser utilizadas como subrogantes de neumonía en los rótulos de los datos de entrenamiento.
Los sistemas basados en aprendizaje profundo deberían integrar información derivada de diferentes dominios. En la práctica clínica real, los diagnósticos diferenciales dependen, en gran medida, de otros factores además de las características de las imágenes. Esto le agrega muchísima complejidad a las tareas que los algoritmos de aprendizaje profundo necesitan aprender. En la actualidad, se están haciendo esfuerzos para agregar información clínica patológica a las características imagenológicas usando redes de aprendizaje profundo.
Además, los retos en relación a los aspectos éticos y legales del compartir los datos y de la privacidad de los pacientes son inmensos. Es de importancia crítica que las imágenes y los datos médicos sean utilizados para el entrenamiento, prueba y validación de los métodos de aprendizaje profundo sean completamente anónimos. Nuevas tecnologías, como la Blockchain, podrían ser útiles para garantizar la seguridad de los datos compartidos.
Por último, se debe demandar la validación clínica rigurosa y sistemática de toda aplicación basada en el aprendizaje profundo. La mayoría de las publicaciones sobre aprendizaje de máquinas han mostrado sus resultados en grupos de pruebas cuidadosamente preseleccionadas y enriquecidas (por ejemplo, balanceadas a favor de aquel algoritmo con una mayor prevalencia de la condición que es encontrada clínicamente). Cada aplicación de aprendizaje profundo debería ser probada por un grupo de datos de validación externo que estén disponibles públicamente. Además de los métodos de validación clínica, la validez de los estándares de referencia también deberían ser cuidadosamente considerados.inteligencia artificial upv
Conclusiones
La aplicación de la metodología de aprendizaje profundo para ayudar a resolver muchas tareas asociadas a las imágenes médicas está aún en su infancia, pero probablemente, el aprendizaje profundo será una herramienta indispensable para los radiólogos en un futuro cercano. Esta tecnología permitirá a los radiólogos convertirse en más productivos y mejorar el cuidado de los pacientes. El potencial completo de esta tecnología requerirá que los radiólogos tomen un rol activo en su gobierno para promover su introducción en la práctica clínica.
Fernando Rivas Burattini dice:
La saga de artículos sobre inteligencia artificial y aprendizaje de máquinas en medicina ha resultado ser sumamente interesante y sorprendente respecto del inmenso mundo que se nos abre.
Como en todos los asuntos humanos el límite estará en respetar la ética y la legalidad.
Si esto no ocurre, para nuestra, un botón: Elizabeth Holmes creo la empresa Theranos valuada en 9 mil millones de dólares. La thought, forjada en Silicon Valley-de la mano de la Universidad de Stanford- period un ejemplo de jóvenes emprendedores que revolucionan la ciencia y los negocios.
Hoy día, acusada de fraude por la SEC de EE. UU., arriesgando 20 años de cárcel, sigue insistiendo que su tecnología es capaz de revolucionar los exámenes de sangre, utilizando para ello solo un par de gotas.
Me gusta Me gusta
Los comentarios están cerrados.
A %d blogueros les gusta esto:

0

Leave A Comment

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.