Si hay algo en lo que la IA es realmente buena, es en detectar patrones. Ya sea que se trate de datos escritos, audio o im\u00e1genes, la IA se puede entrenar para identificar patrones, y una aplicaci\u00f3n particularmente interesante es usarla para identificar anomal\u00edas en im\u00e1genes m\u00e9dicas. Esto ya se ha probado en algunos campos de la imaginer\u00eda m\u00e9dica con resultados prometedores.<\/p>\n\n\n\n
Sin embargo, la IA tambi\u00e9n puede ser muy f\u00e1cil de enga\u00f1ar, especialmente con datos de la vida real. En el nuevo estudio, los investigadores del grupo del profesor Dmitry Dylov en Skoltech presentaron un nuevo m\u00e9todo a trav\u00e9s del cual la IA puede detectar anomal\u00edas. El m\u00e9todo, dicen, es mejor que los existentes y puede detectar anomal\u00edas apenas visibles.<\/p>\n\n\n\n
\u201cLas anomal\u00edas apenas visibles en las radiograf\u00edas de t\u00f3rax o las met\u00e1stasis en los ganglios linf\u00e1ticos en los esc\u00e1neres de los portaobjetos de patolog\u00eda se asemejan a im\u00e1genes normales y son muy dif\u00edciles de detectar. Para abordar este problema, presentamos un nuevo y poderoso m\u00e9todo de detecci\u00f3n de anomal\u00edas en la imagen”.<\/p>\n\n\n\n
El enfoque propuesto sugiere esencialmente una nueva l\u00ednea de base para la detecci\u00f3n de anomal\u00edas en las tareas de an\u00e1lisis de im\u00e1genes m\u00e9dicas. Es bueno para detectar anomal\u00edas que representan anomal\u00edas m\u00e9dicas, as\u00ed como problemas asociados con equipos m\u00e9dicos.<\/p>\n\n\n\n
“Una anomal\u00eda es cualquier cosa que no pertenece a la clase dominante de datos” normales”, dijo Dylov a ZME Science. \u201cSi algo inusual est\u00e1 presente en el campo de visi\u00f3n de un dispositivo m\u00e9dico, el algoritmo lo detectar\u00e1. Los ejemplos incluyen tanto artefactos de imagen (p. Ej., Suciedad en el portaobjetos del microscopio) como anomal\u00edas patol\u00f3gicas reales en ciertas \u00e1reas de las im\u00e1genes (p. Ej., C\u00e9lulas cancerosas que difieren en forma y tama\u00f1o de las c\u00e9lulas normales). En el \u00e1mbito cl\u00ednico, es valioso detectar estos dos ejemplos”.<\/p>\n\n\n\n
La mejora m\u00e1xima observada en comparaci\u00f3n con el entrenamiento de IA convencional fue del 10%, dice Dylov, y, de manera emocionante, el m\u00e9todo ya es lo suficientemente maduro como para implementarse en el mundo real.<\/p>\n\n\n\n
\u201cCon nuestro algoritmo, los m\u00e9dicos pueden distinguir inmediatamente las im\u00e1genes de artefactos de las normales. Tambi\u00e9n recibir\u00e1n una recomendaci\u00f3n de que una determinada imagen o parte de una imagen se ve diferente al resto de las im\u00e1genes del conjunto de datos. Esto es especialmente valioso cuando los expertos deben revisar manualmente grandes lotes de datos\u201d, explic\u00f3 Dylov en un correo electr\u00f3nico.<\/p>\n\n\n\n
La aplicaci\u00f3n principal de este enfoque es aliviar la carga de trabajo de los expertos que analizan im\u00e1genes m\u00e9dicas y ayudarlos a enfocarse en las im\u00e1genes m\u00e1s importantes en lugar de revisar manualmente todo el conjunto de datos. Cuanto m\u00e1s se mejore este tipo de enfoque, m\u00e1s podr\u00e1 ayudar la IA a los m\u00e9dicos a aprovechar al m\u00e1ximo su tiempo y mejorar los resultados de los an\u00e1lisis de im\u00e1genes m\u00e9dicas.<\/p>\n\n\n\n
El estudio fue publicado <\/a>en la revista IEEE (Instituto de Ingenieros El\u00e9ctricos y Electr\u00f3nicos).<\/p>\n\n\n\n