Modelo de machine learning permite identificar y cuantificar transformaciones biológicas sin necesidad de procesos manuales.
Un estudio realizado por Cornell University muestra el desarrollo de un modelo de inteligencia artificial (IA) capaz de analizar imágenes médicas obtenidas a través del tiempo para detectar cambios y predecir resultados de la salud de los pacientes. El estudio publicado en Proceedings of the National Academy of Sciences presenta un nuevo enfoque basado en machine learning o aprendizaje automático llamado LILAC (Learning-based Inference of Longitudinal imAge Changes), diseñado para analizar imágenes adquiridas a lo largo del tiempo, es decir, en estudios médicos o de monitoreo de pacientes, con el objetivo de detectar cambios relevantes.
A diferencia de los métodos tradicionales que dependen de procesos manuales para eliminar variaciones irrelevantes como ruido o movimiento, LILAC automatiza esta tarea al centrarse en las diferencias que realmente importan, utilizando una arquitectura tipo Siamese con redes convolucionales para comparar pares de imágenes de manera eficiente.
“Esta nueva herramienta nos permitirá detectar y cuantificar cambios clínicamente relevantes a lo largo del tiempo de formas que antes no eran posibles, y su flexibilidad significa que puede aplicarse a prácticamente cualquier conjunto de datos de imágenes longitudinales” detalló el autor principal del estudio, Mert Sabuncu, vicepresidente de investigación y profesor de ingeniería eléctrica en radiología en Cornell Medicine.
LILAC se entrena inicialmente para predecir el orden temporal de imágenes, es decir, cuál imagen fue tomada antes y cuál después, logrando una precisión superior al 98%. Esta capacidad es un importante indicativo de que el modelo está captando los cambios importantes con el paso del tiempo. Por otro lado, la diferencia temporal predicha por LILAC mostró una alta correlación con variables significativas que sugieren que el modelo está entendiendo transformaciones biológicas reales, como procesos de cicatrización o el cambio de fase de embriones.
En una segunda etapa, los investigadores entrenaron a LILAC no solo para detectar cambios, sino para predecir directamente valores clínicos, como los puntajes de deterioro cognitivo en pacientes con deterioro cognitivo leve. En este caso, el rendimiento del modelo superó a los métodos tradicionales, reduciendo el error cuadrático medio en más de un 40%. Esto demuestra que LILAC no solo identifica cambios visuales, sino que puede vincularlos con información clínica cuantificable, haciendo que el modelo sea útil tanto para la investigación como para la práctica médica.
En conjunto, los resultados del estudio subrayan el potencial de LILAC para revolucionar el análisis de datos de imágenes longitudinales. Además destaca su capacidad de enfocarse automáticamente en los cambios relevantes sin depender de procesos personalizados lo convierte en una herramienta versátil.
Las aplicaciones demostradas muestran que este enfoque puede aplicarse en diversos dominios de la medicina y la biología, lo que favorecería a la comprensión de procesos temporales como la toma de decisiones clínicas.
