Protección Radiológica es SEROFCA

La inteligencia artificial y la imagenología médica en la lucha contra las enfermedades zoonóticas

El aprendizaje automático, una parte cada vez más importante de la inteligencia artificial, usa las computadoras para resolver tareas complejas, pero no por medio de soluciones programadas sino creando modelos capaces de aprender a partir de ejemplos. Este enfoque ha realizado importantes avances en los últimos años. En la actualidad, los modelos de aprendizaje automático pueden reconocer a personas y objetos en imágenes, comprender, traducir y generar lenguaje hablado y detectar relaciones sutiles en datos biológicos. Estos modelos, cada vez más robustos, forman hoy parte de nuestra vida cotidiana.

En el ámbito de la atención de salud, los modelos de aprendizaje automático desempeñan un papel cada vez más importante en la medicina de precisión, y ayudan a tomar decisiones terapéuticas a partir de datos obtenidos mediante imagenología médica (p. ej.: tomografía computarizada (TC), imagenología por resonancia magnética (MRI), tomografía por emisión de positrones (PET) y rayos X), genómica y otras variables clínicas. Al reconocer patrones sutiles, huellas del avance de una enfermedad y respuestas a los tratamientos, los modelos pueden predecir los riesgos y la futura evolución de una enfermedad en pacientes individuales. En medicina, los modelos de aprendizaje automático abren la puerta a nuevas mediciones y observaciones cuantitativas y a descubrir información nueva sobre enfermedades.

En el caso de las enfermedades pulmonares, por ejemplo, gracias a los modelos de aprendizaje automático se han podido determinar nuevos patrones dinámicos de la enfermedad que están vinculados al avance de esta y a la respuesta que se le da. Este aprendizaje permite medir cambios sutiles en el tejido pulmonar y sus características imagenológicas, y transformar esta información en nuevos conocimientos sobre huellas de enfermedades comunes a un conjunto de patrones distintos que pueden observarse en los pacientes. Estos cambios graduales nos ayudan a entender la enfermedad y nos permiten predecir, con más exactitud, el riesgo de que una persona la sufra. Además, el aprendizaje automático incorpora información adicional sobre imagenología y tiene en cuenta las enfermedades concomitantes para mejorar el pronóstico para cada paciente.

El aprendizaje automático se está convirtiendo en un instrumento que, en medicina, se emplea con fines de investigación y que permite realizar descubrimientos, ya que pone de manifiesto los patrones distribuidos. Con todo, si bien ya entendemos cómo funciona el concepto de predicción, estamos empezando a comprender de qué manera podemos traducir los modelos en representaciones mecánicas de los procesos biológicos subyacentes a la respuesta a enfermedades y tratamientos. Es de prever que, en los próximos años, se realicen avances notables.

El uso conjunto de la imagenología médica y el aprendizaje automático permite hacerse una idea detallada de la variabilidad fenotípica de los pacientes y de la evolución de la enfermedad que padecen. Esto complementa otras observaciones, como la caracterización de los virus, los perfiles genómicos y epigenómicos, la proteómica o las conclusiones de laboratorio, que muestran los procesos sistémicos. Los datos de imagenología médica se adquieren en grandes cantidades como parte de exámenes rutinarios. Conforme aumentan nuestros recursos para utilizar esta información, los modelos computacionales nos permiten hacernos una idea más detallada de la variabilidad de la información, los nuevos fenotipos pertinentes desde un punto de vista clínico y la relación entre el paciente, la enfermedad y el tratamiento.

Durante la pandemia de COVID-19, pocas semanas después de que se caracterizara el agente patógeno causante, se publicaron las conclusiones de distintas radiografías torácicas e imágenes de TC y se determinó que lo que mostraban las imágenes era característico de la COVID-19, y no tenía nada que ver con los síntomas clínicos relativamente inespecíficos de las enfermedades respiratorias. Lo que se observaba en las radiografías era algo nunca visto y la TC se erigió, en las primeras fases de la pandemia, en un instrumento de diagnóstico. A medida que fue posible hacerse pruebas, el papel de la TC cambió, y pasó de apoyar el diagnóstico a ayudar en el tratamiento y el manejo de los pacientes.

Esto muestra que, a la hora de gestionar la transición de futuras enfermedades zoonóticas a pandemias, la inteligencia artificial podría servir para detectar de manera precoz el fenotipo de una nueva enfermedad en la población clínica y formular, en una fase temprana, orientaciones eficaces sobre el tratamiento de los pacientes.

El desafío que plantea la posibilidad de que una enfermedad zoonótica se convierta en una pandemia es que, a primera vista, no parece que el paradigma del aprendizaje a partir de los ejemplos sea aplicable en ese caso. Carecemos de años de observaciones para enseñar a una máquina, y no sabemos qué estamos buscando cuando tratamos de detectar una nueva enfermedad o un brote de una variante. Esto otorga al aprendizaje automático un importante papel en el terreno del descubrimiento y la identificación de las relaciones observadas en una población heterogénea de pacientes.

En primer lugar, la detección de anomalías (patrones de imagen, sus configuraciones o su presencia conjunta en conclusiones que no se han obtenido mediante imagenología) está cobrando importancia en la comunidad del aprendizaje automático. Métodos como el de las redes generativas antagónicas pueden aprender de qué manera varía una imagen en una población controlada, lo que hace posible detectar una novedad, aun cuando no se disponga de datos de capacitación etiquetados. Actualmente, este método se emplea para ampliar nuestros conocimientos sobre los marcadores, pero también podría permitir identificar nuevos fenotipos emergentes.

En segundo lugar, los modelos de aprendizaje automático podrían ser un medio eficaz para comprender mejor la relación entre las características observadas en el paciente, la evolución de la enfermedad y las necesidades de tratamiento y la respuesta a este, a partir de casos precedentes en la población ordinaria, antes de formular prácticas óptimas. Esto podría ayudar a determinar un tratamiento eficaz y resultar útil para formular directrices en la fase temprana de una pandemia [1].

Las redes antagónicas generadoras son una forma inteligente de entrenar un modelo de aprendizaje no supervisado. Se trata de un modelo generativo que se basa en el Deep Learning creando programas de IA que sean capaces de generar algo a partir de un conjunto de datos determinado.

Uno de los problemas en el desarrollo de la inteligencia artificial es que estas son incapaces de crear cosas nuevas por si mismas, no tienen, por así decirlo, imaginación. Esto empezó a cambiar en 2014, cuando Ian Goodfellow describió la arquitectura GAN en un artículo títulado “Generative Adversarial Networks.”

Las redes generativas antagónicas funcionan a partir de una idea muy sencilla pero ingeniosa. Así, lo que se hace en este modelo de aprendizaje para inteligencia artificial es enfrentar a dos redes neuronales entre ellas. Estas dos redes compiten entre ellas para producir los resultados deseados.

Por una parte, tenemos la red generativa que es la que se encarga de crear nuevos resultados, la que produce o “imagina”. Por otro lado, tenemos a la red discriminadora, que es la que va identificando si lo generado por la primera se adapta a los resultados esperados.

De esta manera, una de las redes o modelos empieza a crear aquello que se quiera conseguir, ya sean textos, imágenes o sonidos. Sin embargo, como decíamos, las IA no son buenas en la creación de nuevos materiales. Por eso, para obtener lo que se desea, entra en juego la segunda red neuronal, que básicamente se dedica a identificar si lo creado se ajusta lo esperado, descartando todo aquello que no vale hasta dar con el resultado esperado.

Esto se produce mediante una especie de juego, las dos redes van compitiendo, cuando una gana la otra pierde. Así, hasta que se consigue el objetivo deseado y la red generativa crea lo que se espera de ella.

Mediante el entrenamiento, la red generativa va creando imágenes que pueden engañar a la red discriminatoria, por ejemplo, usando bien los colores, pero, en un momento dado, la discriminatoria empezará a distinguir las formas y entonces la que perderá será la generativa hasta que aprenda a crearlas. “Es un proceso donde cada una de las redes va mejorando y aprende de su oponente” (Goodfellow) [2].

Hay dos usos principales de aplicación de las GAN en imagen médica. El primero se centra en su capacidad generativa y su objetivo es generar muestras sintéticas con la misma estructura subyacente que las imágenes de referencia. Esta aproximación es muy interesante para afrontar los problemas de escasez de imágenes etiquetadas y las cuestiones de privacidad de datos. El segundo es utilizar su capacidad discriminativa para detectar anomalías en la imagen. Si hemos entrenado la GAN con imágenes sin patología se podría utilizar su capacidad discriminativa para identificar imágenes anormales. Estos usos se pueden dividir en las siguiente categorías: reconstrucción, síntesis de imágenes, clasificación, detección y registro.

Reconstrucción

Las restricciones existentes en el entorno clínico, como la dosis de radiación o la comodidad del paciente, limitan la calidad de las imágenes adquiridas. En los últimos años se ha venido aplicando las técnicas de machine learning al proceso de reconstrucción de imágenes, formulando el problema como una traslación imagen-a-imagen. Las GAC condicionales permiten imponer condiciones a su entrada de forma que la imagen generada las cumpla. Este sistema permite generar sistemas capaces de transformar una imagen con ruido, por ejemplo, una tomografía computarizada (CT) a una imagen CT sin ruido. 

Síntesis de imágenes médicas

La síntesis de imágenes médicas nos permite afrontar los problemas de privacidad y de consentimiento informado para el uso de imágenes de pacientes en investigación así como la falta de suficiente número de imágenes etiquetadas en determinadas patologías. Las GAN ofrecen una solución genérica para el aumento de imágenes en el entrenamiento de modelos con resultados muy prometedores. 

Entre los métodos de síntesis tendríamos:

  • Síntesis no condicional: se refiere a la síntesis de una imagen a partir de ruido aleatorio sin ninguna restricción. Las muestras generadas se pueden utilizar para entrenar clasificadores junto con las reales con el objetivo de mejorar la sensibilidad y especificidad de los mismos.
  • Síntesis intermodalidad: por ejemplo, generar una imagen de resonancia magnética (MR) a partir de una CT. El objetivo es reducir tiempo y coste. También se aplica para generar nuevas muestras de entrenamiento con la estructuras  adaptadas a la nueva modalidad.

Segmentación

Las GAN permiten superar algunas de las limitaciones de las técnicas basadas en funciones de pérdida de bajo nivel que no garantizan la coherencia espacial de la segmentación resultante o ofrecen resultados pobres en regiones de bajo contraste.

Clasificación

Las GAN se han usado también con éxito en las tareas de clasificación, utilizándose como generador de características o el discriminador como un clasificador. La ventajas que muestran los estudios es que se obtiene un rendimiento similar que con las redes convolucionales tradicionales pero con necesidad de un número menor de datos etiquetados. También se ha observado que son más robustas al sobreaprendizaje.

Detección

El discriminador de una GAN se puede utilizar para detectar anormalidades como lesiones al aprender la distribución de probabilidad de imágenes de entrenamiento sin patología. Esta aproximación ha mostrado los mismos resultados que el estado del arte en detección de anomalías para algunas patologías estudiadas. 

Registro de imágenes

Las GAN también se pueden utilizar para el registro de imágenes multimodales o unimodales. En este caso el generador puede generar los parámetros del registro o directamente la imagen transformada. Los estudios muestran un rendimiento similar a los métodos tradicionales [3].

Antes de poder usar de manera eficaz la inteligencia artificial y la imagenología para hacer frente a futuras enfermedades zoonóticas, tenemos que superar varios obstáculos. Durante la pandemia de COVID-19, las barreras que prohíben el ágil intercambio de datos clínicos (e imagenológicos) y su puesta a disposición de la comunidad de investigadores han debilitado la eficacia y la solidez de los modelos de aprendizaje automático resultantes. Necesitamos recopilar y tratar esos datos a escala mundial de manera rápida y transparente para ponerlos al alcance de la comunidad de investigadores. El intercambio de datos y de valores de referencia tiene un efecto catalizador en la velocidad y la calidad del desarrollo.

En lo que se refiere a la investigación metodológica, debemos promover nuestra capacidad para hacer frente a los sesgos y a los factores de confusión en los datos, debidos a la heterogeneidad y la diversidad de nuestro planeta. Los modelos de aprendizaje automático no solo tienen que repetir resultados; también han de ser modelos justos que separen las relaciones biológicas de decisiones subóptimas y posiblemente sesgadas sobre el tratamiento. Debemos asegurarnos de que el entrenamiento de los modelos se base en conjuntos de datos inclusivos que beneficien a la población en sentido amplio y que no excluyan a comunidades, regiones o grupos individuales.

Por último, debemos atraer a toda la comunidad del aprendizaje automático para asegurarnos de que apoyamos y servimos de fuente de inspiración a mentes innovadoras de todo el mundo para hacer frente al desafío que supone transformar observaciones en herramientas que nos permitan detectar antes enfermedades zoonóticas emergentes, así como manejar mejor las que ya conocemos. La comunidad puede contribuir a encontrar programas terapéuticos mejores y más precisos para ayudar a cada paciente y desarrollar técnicas que aceleren el diseño de terapias nuevas e innovadoras [1].

Fig 1.  principales de aplicación de las GAN en imagen médica

[1] https://www.iaea.org/es/bulletin/ El papel de la inteligencia artificial y la imagenología médica en la lucha contra las enfermedades zoonóticas | OIEA (iaea.org)

[2] https://www.tokioschool.com/noticias/redes-antagonicas-generadoras/

[3] https://healthdataminer.com/deep-learning/ Redes generativas antagónicas en medicina – healthdataminer.com

Comparte esta nota:
Contacto
  • Parasasa 34 Willemstad Curazao
  • Phone: (+599) -9666 – 1849
  • Email: contacto@serofca.com