{"id":47548,"date":"2024-07-17T10:07:33","date_gmt":"2024-07-17T16:07:33","guid":{"rendered":"https:\/\/saluddigital.com\/?p=47548"},"modified":"2025-10-18T15:31:17","modified_gmt":"2025-10-18T21:31:17","slug":"google-utiliza-ia-generativa-para-investigar-modelos-de-imagenes-medicas","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/google-utiliza-ia-generativa-para-investigar-modelos-de-imagenes-medicas\/","title":{"rendered":"Google utiliza IA generativa para investigar modelos de im\u00e1genes m\u00e9dicas"},"content":{"rendered":"
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Este innovador enfoque fue presentado por Google para entender los modelos de IA en im\u00e1genes m\u00e9dicas mediante revisiones interdisciplinares.<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Google ha desarrollado un marco utilizando Inteligencia Artificial (IA) generativa para mejorar la comprensi\u00f3n de los modelos de aprendizaje autom\u00e1tico o machine learning en im\u00e1genes m\u00e9dicas. Este enfoque, detallado en un estudio reciente publicado en The Lancet eBioMedicine<\/em><\/a>, busca interpretar las se\u00f1ales visuales asociadas con las predicciones de los modelos, combinando t\u00e9cnicas avanzadas de IA y revisiones de expertos interdisciplinarios.<\/p>

El machine learning tiene un gran potencial en la transformaci\u00f3n la atenci\u00f3n m\u00e9dica, desde reducir la carga de trabajo hasta descubrir nuevos biomarcadores. Sin embargo, para aprovechar estos beneficios de manera responsable, cient\u00edficos de Google detallan que, es crucial entender c\u00f3mo los modelos de machine learning hacen sus predicciones. Las t\u00e9cnicas actuales de explicabilidad, que destacan regiones importantes de la imagen, no suelen explicar c\u00f3mo los cambios visuales espec\u00edficos influyen en las decisiones del modelo. Aqu\u00ed es donde entra en juego la visualizaci\u00f3n de estos cambios, denominados \u201catributos\u201d, para detectar sesgos no evidentes a trav\u00e9s de m\u00e9tricas cuantitativas.<\/p>

En el estudio \u201cUso de IA generativa para investigar modelos y conjuntos de datos de im\u00e1genes m\u00e9dicas\u201d, los investigadores de Google desarrollaron un enfoque basado en el m\u00e9todo StylEx, que genera explicaciones visuales de clasificadores. Este m\u00e9todo fue probado en tres modalidades de im\u00e1genes: fotograf\u00edas externas del ojo, fotos del fondo del ojo y radiograf\u00edas de t\u00f3rax, abarcando ocho tareas de predicci\u00f3n. Estas pruebas incluyeron tareas cl\u00ednicas establecidas y otras para las que los profesionales no est\u00e1n entrenados.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

El marco propuesto se divide en cuatro etapas clave:<\/p>

  1. Entrenamiento del clasificador: Se entrena un modelo de machine learning para realizar una tarea espec\u00edfica de im\u00e1genes m\u00e9dicas.<\/li>
  2. Entrenamiento de StylEx: Se entrena un modelo generativo StylEx, que incluye un generador de im\u00e1genes basado en StyleGAN-v2 con p\u00e9rdidas adicionales para asegurar que las im\u00e1genes generadas sean realistas y mantengan las predicciones del clasificador.<\/li>
  3. Selecci\u00f3n autom\u00e1tica de atributos: El modelo StylEx genera visualizaciones contrafactuales para un conjunto de im\u00e1genes, modificando un atributo a la vez. Estos atributos se filtran y clasifican seg\u00fan su influencia en las decisiones del clasificador.<\/li>
  4. Revisi\u00f3n por panel de expertos: Un panel interdisciplinario de expertos analiza los atributos identificados, interpret\u00e1ndolos dentro de sus contextos m\u00e9dicos y sociales.<\/li><\/ol>

    Los resultados del estudio incluyeron la identificaci\u00f3n de atributos conocidos, como las opacidades radiales para la predicci\u00f3n de cataratas y la dilataci\u00f3n de venas retinianas para el estado de fumador. Tambi\u00e9n se descubrieron se\u00f1ales novedosas y confusas, como la correlaci\u00f3n entre el grosor del delineador de ojos y los niveles de hemoglobina, resaltando la importancia de considerar los sesgos del conjunto de datos.<\/p>

    Este estudio demuestra el potencial de los modelos de IA generativos para mejorar la explicabilidad de los modelos de machine learning en im\u00e1genes m\u00e9dicas y promover su uso y adopci\u00f3n. Seg\u00fan explican los autores, al combinar avances t\u00e9cnicos con experiencia interdisciplinaria, es posible utilizar la IA de manera responsable para descubrir nuevos conocimientos, mejorar el diagn\u00f3stico m\u00e9dico y abordar sesgos en la atenci\u00f3n m\u00e9dica. Finalmente, los autores animan a realizar m\u00e1s investigaciones en esta \u00e1rea y subrayan la importancia de la colaboraci\u00f3n entre investigadores de machine learning, profesionales de la salud y cient\u00edficos sociales.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

    \n\t\t\t\t\t\t
    \n\t\t\t\t\t
    \n\t\t\t
    \n\t\t\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t\t\t\t
    \n\t\t\t\t\t\t\t
    \n\t\t\t\t\t
    \n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t BIBLIOGRAPHY<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

    THE LANCET<\/strong><\/p>

    https:\/\/www.thelancet.com\/journals\/ebiom\/article\/PIIS2352-3964%2824%2900110-5\/fulltext<\/a><\/p>

    GOOGLE RESEARCH<\/strong><\/p>

    https:\/\/research.google\/blog\/using-generative-ai-to-investigate-medical-imagery-models-and-datasets\/<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"

    Este innovador enfoque fue presentado por Google para entender los modelos de IA en im\u00e1genes m\u00e9dicas mediante revisiones interdisciplinares. Google ha desarrollado un marco utilizando Inteligencia Artificial (IA) generativa para mejorar la comprensi\u00f3n de los modelos de aprendizaje autom\u00e1tico o machine learning en im\u00e1genes m\u00e9dicas. Este enfoque, detallado en un estudio reciente publicado en The Lancet eBioMedicine, busca interpretar las se\u00f1ales visuales asociadas con las predicciones de los modelos, combinando t\u00e9cnicas avanzadas de IA y revisiones de expertos interdisciplinarios. El machine learning tiene un gran potencial en la transformaci\u00f3n la atenci\u00f3n m\u00e9dica, desde reducir la carga de trabajo hasta descubrir nuevos biomarcadores. Sin embargo, para aprovechar estos beneficios de manera responsable, cient\u00edficos de Google detallan que, es crucial entender c\u00f3mo los modelos de machine learning hacen sus predicciones. Las t\u00e9cnicas actuales de explicabilidad, que destacan regiones importantes de la imagen, no suelen explicar c\u00f3mo los cambios visuales espec\u00edficos influyen en las decisiones del modelo. Aqu\u00ed es donde entra en juego la visualizaci\u00f3n de estos cambios, denominados \u201catributos\u201d, para detectar sesgos no evidentes a trav\u00e9s de m\u00e9tricas cuantitativas. En el estudio \u201cUso de IA generativa para investigar modelos y conjuntos de datos de im\u00e1genes m\u00e9dicas\u201d, los investigadores de Google desarrollaron un enfoque basado en el m\u00e9todo StylEx, que genera explicaciones visuales de clasificadores. Este m\u00e9todo fue probado en tres modalidades de im\u00e1genes: fotograf\u00edas externas del ojo, fotos del fondo del ojo y radiograf\u00edas de t\u00f3rax, abarcando ocho tareas de predicci\u00f3n. Estas pruebas incluyeron tareas cl\u00ednicas establecidas y otras para las que los profesionales no est\u00e1n entrenados. El marco propuesto se divide en cuatro etapas clave: Entrenamiento del clasificador: Se entrena un modelo de machine learning para realizar una tarea espec\u00edfica de im\u00e1genes m\u00e9dicas. Entrenamiento de StylEx: Se entrena un modelo generativo StylEx, que incluye un generador de im\u00e1genes basado en StyleGAN-v2 con p\u00e9rdidas adicionales para asegurar que las im\u00e1genes generadas sean realistas y mantengan las predicciones del clasificador. Selecci\u00f3n autom\u00e1tica de atributos: El modelo StylEx genera visualizaciones contrafactuales para un conjunto de im\u00e1genes, modificando un atributo a la vez. Estos atributos se filtran y clasifican seg\u00fan su influencia en las decisiones del clasificador. Revisi\u00f3n por panel de expertos: Un panel interdisciplinario de expertos analiza los atributos identificados, interpret\u00e1ndolos dentro de sus contextos m\u00e9dicos y sociales. Los resultados del estudio incluyeron la identificaci\u00f3n de atributos conocidos, como las opacidades radiales para la predicci\u00f3n de cataratas y la dilataci\u00f3n de venas retinianas para el estado de fumador. Tambi\u00e9n se descubrieron se\u00f1ales novedosas y confusas, como la correlaci\u00f3n entre el grosor del delineador de ojos y los niveles de hemoglobina, resaltando la importancia de considerar los sesgos del conjunto de datos. Este estudio demuestra el potencial de los modelos de IA generativos para mejorar la explicabilidad de los modelos de machine learning en im\u00e1genes m\u00e9dicas y promover su uso y adopci\u00f3n. Seg\u00fan explican los autores, al combinar avances t\u00e9cnicos con experiencia interdisciplinaria, es posible utilizar la IA de manera responsable para descubrir nuevos conocimientos, mejorar el diagn\u00f3stico m\u00e9dico y abordar sesgos en la atenci\u00f3n m\u00e9dica. Finalmente, los autores animan a realizar m\u00e1s investigaciones en esta \u00e1rea y subrayan la importancia de la colaboraci\u00f3n entre investigadores de machine learning, profesionales de la salud y cient\u00edficos sociales. BIBLIOGRAF\u00cdA THE LANCET https:\/\/www.thelancet.com\/journals\/ebiom\/article\/PIIS2352-3964%2824%2900110-5\/fulltext GOOGLE RESEARCH https:\/\/research.google\/blog\/using-generative-ai-to-investigate-medical-imagery-models-and-datasets\/<\/p>","protected":false},"author":1,"featured_media":47550,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-47548","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-big-data","category-noticias","tag-noticias"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/47548","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/comments?post=47548"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/47548\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/47550"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=47548"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=47548"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=47548"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}