Investigadores evalúan cómo se pueden aplicar el aprendizaje automático a la investigación de biomarcadores de imágenes médicas como tomografías, para detectar y diagnosticar enfermedades pulmonares.
Investigadores médicos especialistas en radiología, publicaron una revisión en The Lancet digital Health donde buscan evaluar el uso de herramientas de aprendizaje automático para la detección temprana de enfermedades pulmonares intersticiales o EPI.
La evaluación de EPI se centra en diagnósticos dependientes de procesos clínicos, radiológicos y patológicos. Sin embargo, según especialistas estos no informan de manera confiable el comportamiento de las enfermedades. La evaluación de estas enfermedades requiere integrar datos clínicos y de imágenes e incluso en ciertos casos material biológico como biopsia pulmonar quirúrgica, crio biopsia, entre otros.
Por ello los investigadores realizaron esta revisión sobre el uso de herramientas de Inteligencia Artificial (IA), como lo son el aprendizaje automático y el aprendizaje profundo. Los algoritmos de aprendizaje automático pueden identificar EPI en poblaciones de riesgo, predecir el alcance de fibrosis pulmonar, correlacionar anomalías radiológicas con el deterioro de la función pulmonar, e incluso utilizarse como criterios de valoración en ensayos de tratamiento.
El uso de aprendizaje automático se basa principalmente en el análisis de imágenes. Los conjuntos de datos de imágenes médicas son muy extensos y la información clínicamente relevante no está estructurada. En este caso es donde se involucra el aprendizaje automático, para organizar datos no etiquetados y extraer características para facilitar su análisis.
“La implementación del aprendizaje automático y el aprendizaje profundo ha mejorado en gran medida la eficiencia, la precisión y la reproducibilidad de varios métodos de segmentación”, explican los autores.
La extracción de características por aprendizaje profundo se refiere a operaciones matemáticas realizadas en imágenes digitales para producir descriptores numéricos de textura, forma y otras características distintivas. Posteriormente estas son analizadas computacionalmente con bajo parámetros clínicos.
Conoce más leyendo la revisión completa:
https://www.thelancet.com/journals/landig/article/PIIS2589-7500(22)00230-8/fulltext
