Investigadores del MIT, Harvard y Massachusetts General Hospital desarrollaron un marco de machine learning que puede identificar enfermedades potenciales en imágenes médicas.
Los modelos de inteligencia artificial (IA), han demostrado ser de gran utilidad para radiólogos y otros especialistas para resaltar pixeles que pueden mostrar signos enfermedades. En biomedicina, esto se denomina segmentación que se refiere a anotar pixeles de una estructura importante en una imagen médica como un órgano o una célula.
Actualmente, las soluciones actuales de segmentación de imágenes médicas basada en machine learning presentan dos importantes deficiencias. En primer lugar, la mayoría de las nuevas tareas de segmentación requieren un reentrenamiento o ajuste de un nuevo modelo, lo que se traduce en más recursos y experiencia en aprendizaje automático, que en ocasiones no es viable. En segundo lugar, la mayoría de métodos de segmentación producen una única máscara de segmentación para una imagen determinada.
En este sentido, en la práctica clínica existe una incertidumbre y ambigüedad acerca de cómo debe ser una segmentación correcta ya que especialistas expertos pueden llegar a hacer segmentaciones distintas sobre la misma imagen. Investigadores del MIT, Harvard y Massachusetts General Hospital desarrollaron un marco de machine learning, para abordar esta ambigüedad, denominado Tyche, que utiliza un conjunto de “imágenes de contexto” para generar predicciones aleatorias de tareas no vistas previamente sin necesidad de volver a entrenar el modelo.
“La ambigüedad ha sido poco estudiada. Si su modelo omite por completo un nódulo que tres expertos dicen que está ahí y dos expertos dicen que no, probablemente sea algo a lo que deba prestar atención”, explicó el autor principal del estudio, Adrian Dalca, profesor asistente de Facultad de Medicina de Harvard e investigador del Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT (CSAIL, en inglés).
A diferencia de otros métodos, Tyche, introduce una novedosa arquitectura de bloques de convoluciones que permite interacciones entre predicciones y aumenta el tiempo de prueba y proporciona imprevisibilidad en las predicciones. Además, Tyche fue construido modificando una arquitectura de red neuronal sencilla.
Para utilizar Tyche, el usuario debe dar algunos ejemplos que muestran la tarea de segmentación de imágenes médicas. Por ejemplo, incluir varias imágenes de lesiones en una resonancia magnética del corazón que han sido segmentadas por diferentes expertos humanos para que el modelo aprenda la tarea y ver que existe ambigüedad.
Además, los investigadores descubrieron que solo 16 imágenes de contexto son suficientes para que el modelo logra hacer buenas predicciones. De esta manera, Tyche, ayuda a especialistas resolver nuevas tareas sin requerir un nuevo entrenamiento.
Asimismo, los investigadores descubrieron que Tyche también se puede utilizar como un método complementario, que, al combinarse con un diseño de modelo, puede predecir un conjunto de candidatos de segmentación diversos y plausibles para imágenes médicas y tareas de segmentaciones nuevas sin necesidad de reentrenamiento.
El código de Tyche está disponible en GitHub: https://github.com/mariannerakic/tyche/. Puedes consultar el artículo completo en el siguiente enlace: https://arxiv.org/pdf/2401.13650.pdf.
