La IA pronto podrá detectar tumores cerebrales
Los modelos de inteligencia artificial ya pueden encontrar tumores cerebrales en imágenes de resonancia magnética casi tan bien como un radiólogo humano, según un nuevo estudio.
Por Enrique Coperías
Imagen conceptual de una IA analizando una resonancia de un cerebro humano con un tumor cerebral.
Un nuevo artículo publicado en la revista Biology Methods and Protocols demuestra que los científicos pueden entrenar modelos de inteligencia artificial para distinguir los tumores cerebrales del tejido sano. Los modelos de IA ya pueden encontrar tumores cerebrales en imágenes de resonancia magnética casi tan bien como un radiólogo humano.
Los investigadores han avanzado de forma casi imparable en el uso de la inteligencia artificial (IA) en medicina. La IA es especialmente prometedora en radiología, donde esperar a que los técnicos procesen las imágenes médicas puede retrasar el tratamiento del paciente.
Las llamadas redes neuronales convolucionales o CNN—un tipo de red neuronal artificial en la que las neuronas están organizadas en campos receptivos, de forma similar al funcionamiento de las neuronas en la corteza visual primaria de un cerebro biológico— son potentes herramientas que permiten a los científicos entrenar modelos de IA en grandes conjuntos de datos de imágenes para reconocerlas y clasificarlas.
Células cancerosas que se confunden con el tejido sano
De este modo, las CNN pueden aprender a distinguir entre imágenes. Las redes también tienen capacidad de aprendizaje por transferencia, esto es, una técnica de aprendizaje automático en la que el conocimiento aprendido de una tarea se reutiliza para elevar el rendimiento en una tarea relacionada. Los científicos pueden así reutilizar un modelo entrenado en una tarea para un nuevo proyecto relacionado.
Aunque la detección de animales camuflados y la clasificación de tumores cerebrales implican tipos de imágenes muy diferentes, los investigadores que participaron en este estudio creyeron que existía un paralelismo entre un animal que se oculta mediante camuflaje natural y un grupo de células cancerosas que se confunden con el tejido sano circundante.
El proceso aprendido de generalización —la agrupación de cosas diferentes bajo la misma identidad de objeto— es esencial para entender cómo la red puede detectar objetos camuflados. Este entrenamiento podría ser especialmente útil para detectar tumores.
Una precisión del 85%
Utilizando imágenes de resonancia magnética de repositorios públicos online de cerebros con lesiones cancerosas y limpios, los investigadores entrenaron los modelos de redes neuronales para distinguir las imágenes de resonancia magnética sanas de las que incluían lesiones cancerosas, así como el área afectada por el cáncer y a qué tipo de tumor «se parece».
Los investigadores descubrieron que las redes eran casi perfectas a la hora de detectar imágenes cerebrales normales, con solo 1 o 2 falsos negativos, y de distinguir entre cerebros cancerosos y sanos. La primera red tuvo una precisión media del 85,99% en la detección del cáncer cerebral, y la otra, del 83,85%.
Una característica clave de la red es la multitud de formas en que pueden explicarse sus decisiones, lo que permite aumentar la confianza en los modelos tanto por parte de los profesionales médicos como de los pacientes. Los modelos profundos suelen carecer de transparencia, y, a medida que crece este campo, cobra importancia la capacidad de explicar cómo las redes toman sus decisiones.
En el futuro, los radiólogos contarán con un «asistente IA» que le ayude a detectar tumores en las imágenes médicas.
Permitiría a los radiólogos validar sus propias decisiones
Siguiendo esta investigación, la red puede generar imágenes que muestren áreas específicas en su clasificación de tumor positivo o negativo. Esto permitiría a los radiólogos validar sus propias decisiones con las de la red y añadir confianza, casi como un segundo radiólogo robótico que puede mostrar la zona reveladora de una resonancia magnética que indica un tumor.
En el futuro, los investigadores creen que será importante centrarse en crear modelos de redes profundas cuyas decisiones puedan describirse de forma intuitiva, para que la inteligencia artificial pueda desempeñar un papel de apoyo transparente en entornos clínicos.
Aunque las redes tuvieron más dificultades para distinguir entre tipos de cáncer cerebral en todos los casos, seguía estando claro que tenían una representación interna distinta en la red. La precisión y la claridad mejoraron a medida que los investigadores entrenaron las redes en la detección de camuflaje. El aprendizaje por transferencia aumentó la precisión de las redes.
Modelos claros y explicables
A pesar de que el modelo propuesto con mejores resultados fue aproximadamente un 6% menos preciso que la detección humana estándar, la investigación demuestra con éxito la mejora cuantitativa que aporta este paradigma de entrenamiento. Los investigadores creen que este paradigma, combinado con la aplicación exhaustiva de métodos de explicabilidad, fomenta la transparencia necesaria en la futura investigación clínica sobre inteligencia artificial.
«Los avances en IA permiten detectar y reconocer patrones con mayor precisión» —afirma el autor principal del artículo, Arash Yazdanbakhsh, del Departmento de Ciencias Psicológicas y Ciencias del Cerebro, en la Universidad de Boston. Y añade—: Esto facilita mejorar la ayuda al diagnóstico por imagen y el cribado, pero también exige más explicaciones sobre cómo la IA lleva a cabo la tarea. El objetivo de que la IA sea explicable mejora la comunicación entre los seres humanos y la IA en general. Esto es especialmente importante entre los profesionales de la medicina y la IA diseñada con fines médicos. Los modelos claros y explicables están mejor posicionados para ayudar al diagnóstico, seguir la progresión de la enfermedad y supervisar el tratamiento». ◾️
Información facilitada por la Oxford University Press USA
Fuente: Faris Rustom, Ezekiel Moroze, Pedram Parva, Haluk Ogmen, Arash Yazdanbakhsh. Deep learning and transfer learning for brain tumor detection and classification. Biology Methods and Protocols (2024). DOI: https://doi.org/10.1093/biomethods/bpae080
