Imagen médica anotada por IA que muestra el área tumoral mejorada, el núcleo tumoral y el edema. Fuente: Universidad de Monash
Recientemente publicado en Inteligencia artificial de la naturalezalos estudios analizaron la disponibilidad limitada de imágenes médicas humanas anotadas o etiquetadas utilizando un enfoque de aprendizaje contradictorio o competitivo para datos no etiquetados.
Dirigida por los departamentos de ingeniería e informática de la Universidad de Monash, esta investigación tiene el potencial de avanzar en el campo del análisis de imágenes médicas para radiólogos y otros expertos en salud.
El candidato Himashi Peiris del Departamento de Ingeniería dijo que el proyecto de investigación tenía como objetivo crear competencia entre los dos componentes de un sistema de IA de doble vista.
“Una parte del sistema de IA intenta emular la forma en que los radiólogos leen las imágenes médicas etiquetándolas, mientras que la otra parte del sistema evalúa la calidad de los escaneos etiquetados generados por IA comparándolos con el número limitado de escaneos etiquetados proporcionados por los radiólogos”, dijo Peiris.
“Tradicionalmente, los radiólogos y otros expertos médicos anotan o etiquetan manualmente las exploraciones médicas, destacando áreas específicas de interés, como tumores u otras lesiones. Estas etiquetas brindan orientación o supervisión para entrenar modelos de IA.
“El método se basa en la interpretación subjetiva de los individuos, requiere mucho tiempo y es propenso a errores, y prolonga los tiempos de espera para los pacientes que buscan tratamiento”.
La disponibilidad de conjuntos de datos de imágenes médicas anotadas a gran escala a menudo es limitada porque la anotación manual de múltiples imágenes requiere un esfuerzo, tiempo y experiencia significativos.
El algoritmo desarrollado por los investigadores de Monash permite que múltiples modelos de IA aprovechen las ventajas únicas de los datos etiquetados y no etiquetados y aprendan de las predicciones de los demás para mejorar la precisión general.
“En tres conjuntos de datos médicos disponibles públicamente, utilizando el conjunto de datos etiquetados al 10 %, logramos una mejora promedio del 3 % con respecto al último enfoque de vanguardia en condiciones idénticas”, dijo Peiris.
“Nuestro algoritmo ha brindado resultados revolucionarios en el aprendizaje semisupervisado, superando los métodos de vanguardia anteriores. Muestra un rendimiento notable incluso con un número limitado de anotaciones, a diferencia de los algoritmos que se basan en grandes cantidades de datos anotados.
“Esto permite que los modelos de IA tomen decisiones más informadas, validen sus evaluaciones iniciales y descubran diagnósticos y decisiones de tratamiento más precisos”.
La próxima fase de investigación se centrará en ampliar la aplicación para que funcione con varios tipos de imágenes médicas y desarrollar un producto integral dedicado que los radiólogos podrán utilizar en su práctica.
Más información:
Himashi Peiris et al., Vistas guiadas de incertidumbre dual para segmentación de imágenes médicas volumétricas semisupervisadas, Inteligencia artificial de la naturaleza (2023). DOI: 10.1038/s42256-023-00682-w