Un nuevo modelo de aprendizaje profundo basado en inteligencia artificial para respaldar los diagnósticos médicos

Un nuevo modelo de aprendizaje profundo podría aprender a reconocer enfermedades a partir de escaneos médicos de forma más rápida y precisa, según una nueva investigación de un equipo de científicos informáticos de la Universidad de Alberta y MEDO, una empresa derivada de la Universidad de Alberta. El modelo innovador es el trabajo de un equipo de científicos de la Facultad de Ciencias, incluida la contribución de Pouneh Gorji, un estudiante de doctorado desaparecido en el vuelo PS752.

El aprendizaje profundo es un tipo de aprendizaje automático, un subcampo de la inteligencia artificial; aprendizaje profundo las técnicas son algoritmos informáticos que encuentran patrones en grandes conjuntos de datos, creando modelos que luego pueden usarse para pronosticar. Estos modelos funcionan mejor cuando aprenden de cientos de miles o incluso millones de ejemplos. Sin embargo, el campo de los diagnósticos médicos presenta un desafío único en el que los investigadores, por razones de privacidad, generalmente solo tienen acceso a varios cientos de exploraciones médicas.

“Cuando el aprendizaje profundo Modelo está capacitado con tan pocos casos que su desempeño tiende a ser pobre ”, dijo Roberto Vega, autor principal del estudio y estudiante de doctorado en el Departamento de Ciencias de la Computación.

“En nuestro estudio, abordamos el problema de aprender modelos de aprendizaje profundo efectivos para tareas médicas con varias instancias de capacitación. La idea principal es que podemos utilizar el conocimiento presente en la literatura médica para guiar mejor el proceso de aprendizaje ‘.

La mejora del rendimiento proviene del entrenamiento algoritmo sobre imágenes médicas, así como los correspondientes diagnósticos “probabilísticos” proporcionados indirectamente por expertos médicos. Este enfoque permite que el algoritmo aprenda los patrones que caracterizan a cada enfermedad en las exploraciones, lo que permite predecir qué enfermedad se muestra en la exploración de un nuevo paciente o si la exploración parece saludable.

“Nuestro enfoque mejoró la precisión de la clasificación del modelo y proporcionó una confianza significativa en sus predicciones, dando una estimación de la probabilidad de que la enfermedad esté presente en la exploración”, dijo Vega.

“Gracias a esta investigación, queremos brindar a los radiólogos mejores herramientas que hagan su trabajo más fácil, rápido y efectivo. También tenemos una escasez de personal médico que se está agravando en los países en desarrollo. Esperamos poder desarrollar modelos que permitan a nuestros expertos médicos tomar mejores decisiones “.

El trabajo de muchos

La investigación incluye contribuciones significativas de Pouneha Gorji, un graduado póstumo de Ciencias de la Computación y víctima de la tragedia del Vuelo PS752. En enero de 2020, Gorji y Arash Pourzarabi viajaron a Irán para casarse y fueron dos de los cuatro miembros de la comunidad de la Facultad de Ciencias entre las 176 personas que murieron en el vuelo PS752.

La investigación también es una oportunidad para que el equipo honre el legado de Gorja y sus contribuciones críticas al proyecto. Cuando los investigadores iniciaron el proyecto, el algoritmo se centró únicamente en la displasia de cadera, explica Vega. Gorji trabajó en el desarrollo de modelos de aprendizaje automático para la identificación. hígado grasoFue su incorporación al equipo lo que finalmente condujo a un rediseño del algoritmo y un gran avance en el rendimiento.

“El algoritmo original no funcionó para el hígado graso, por lo que Pouneh y yo comenzamos a trabajar juntos para solucionar el problema. Después de unas semanas, descubrimos una brecha importante en el enfoque original y pudimos encontrar una solución, una que requería una nueva forma matemática de manejar la sección del modelo ”, dijo Vega.

“El trabajo que hicimos juntos fue clave para el éxito de nuestro enfoque y esto condujo a la publicación final de esta investigación. Esta publicación no existiría sin su contribución “.

El estudio ‘Un ejemplo de aprendizaje efectivo de clasificadores de diagnóstico basados ​​en imágenes utilizando etiquetas probabilísticas’ se presentará en la Conferencia Internacional sobre Inteligencia Artificial y Estadística (AISTATS ’21). También está disponible a través de arXiv.