Inteligencia artificial (IA), aprendizaje automático (ML) y aprendizaje profundo (DL)
Se espera que la IA tenga un impacto masivo en la vida cotidiana del radiólogo: la conciencia de esta tendencia es una necesidad, especialmente para las generaciones jóvenes que enfrentarán esta revolución [1, 2]. se discutirán las principales diferencias entre la política de la Unión Europea (UE) y la de los Estados Unidos (EE. UU.)
Los radiólogos ya están familiarizados con los sistemas de detección / diagnóstico asistidos por computadora (CAD), introducidos por primera vez en los años sesenta para aplicaciones en la radiografía de tórax y la mamografía [4]. Sin embargo, el avance en el desarrollo de algoritmos, combinado con la facilidad de acceso a los recursos computacionales, actualmente permite que la IA se aplique en la toma de decisiones radiológicas, con un nivel funcional más alto [6]. Se requiere estratégicamente una asociación creciente entre radiólogos y científicos informáticos [9] . La creación de este tipo de «equipo de IA» multidisciplinario ayudará a garantizar que se cumplan las normas de seguridad del paciente y generará transparencia judicial, lo que permitirá asignar responsabilidad legal a la autoridad humana del componente radiólogo.
La IA puede encontrar múltiples aplicaciones, desde la adquisición y el procesamiento de imágenes hasta la presentación de informes asistidos, la planificación de seguimiento, el almacenamiento de datos, la minería de datos y muchos otros. Después de ser entrenados utilizando la gran cantidad de exámenes e imágenes, los algoritmos AI pueden ver imágenes médicas para identificar patrones que brinden información sobre los hallazgos anormales [11,12. Esto es crucial porque no todas las anormalidades son representativas de las características de la imagen extraída, ya sea visible u oculta para el ojo humano. Este enfoque imita la cognición analítica humana, lo que les permite obtener mejores rendimientos que los obtenidos con el software CAD.
Hasta hace unos años, la aplicación clínica a la ML en imágenes médicas en términos de detección y caracterización produjo resultados limitados, como la diferenciación de lo normal de un examen anormal de radiografía de tórax [16e18] o mamografías [19,20]. La aplicación de IA para las modalidades de imagen avanzadas, como la TC y la RM, se encuentra ahora en una fase relativamente temprana. Ejemplos de resultados prometedores son la diferenciación de los nódulos de tórax malignos de los benignos en las tomografías computarizadas [21], el diagnóstico de enfermedades neurológicas y psiquiátricas [22,23] y la identificación de biomarcadores en el glioblastoma [24]. Curiosamente, se demostró que la RM predice la supervivencia en mujeres con cáncer de cuello uterino [25,26] y en pacientes con esclerosis lateral miiotrófica.
Radiomics se ocupa de la extracción de alto rendimiento de características cuantitativas peculiares de imágenes radiológicas.
Los datos derivados de la investigación radiómica, como la intensidad, la forma, la textura y la longitud de onda, pueden recuperarse de imágenes médicas [39,41e44] a través de procesos de ML. De esta manera, se puede proporcionar información valiosa para predecir la respuesta al tratamiento, diferenciar tumores benignos y malignos y evaluar la genética del cáncer en muchos tipos de cáncer [39,45e47]. Debido al rápido crecimiento de esta área, numerosas investigaciones radiológicas publicadas carecen de una evaluación estandarizada, tanto de la integridad científica como de la relevancia clínica [38]. Aún se necesitan conjuntos de datos de validación independientes para confirmar el valor diagnóstico y pronóstico de las características radiómicas, aunque la radiología ha mostrado varias aplicaciones prometedoras para la medicina de precisión.
La radiogenómica investiga la relación entre las características de imagen de una enfermedad (es decir, el fenotipo de imagen o el fenotipo radiológico) y sus patrones de expresión génica, mutaciones genéticas y otras características relacionadas con el genoma con referencia al genotipo del paciente, en el caso de tumores , del genotipo de la lesión [48,49]. En realidad, la radiogenómica es un término ambiguo, ya que solía referirse al estudio de la variación genética, como los polimorfismos de un solo nucleótido, junto con el riesgo de un paciente de cáncer de desarrollar toxicidad después de la radioterapia [50] , o para predecir la respuesta tumoral a la radioterapia [51,52].
El término solo se extendió más tarde a la relación entre el fenotipo de imagen y el paciente o genotipo de la lesión. De hecho, la última década, la adición de datos genómicos a la radiología permitió establecer nuevas correlaciones entre la genómica celular y la imagen médica, entregando una nueva rama de la imagen llamada genómica de imagen o, más simplemente, Mediante el uso de tecnología innovadora, la radiogenómica tiene como objetivo desarrollar biomarcadores de imágenes que puedan predecir los riesgos y los resultados del paciente, permitiendo una mejor estratificación de los pacientes para un manejo más preciso [53]. Se pueden encontrar ejemplos en el cáncer de mama [54], el glioblastoma [55], el glioma de bajo grado [56] y el cáncer de riñón [57]. Sin embargo, la radiogenómica todavía necesita tiempo antes de desempeñar un papel práctico significativo en la atención del cáncer, debido a las limitaciones de los grandes datos disponibles que, hoy en día, a menudo carecen de una caracterización completa de los pacientes y una pobre integración de los conjuntos de datos individuales.
Lo que el radiólogo debe saber sobre inteligencia artificial
Fuera de las actividades tradicionales de interpretación de imagen radiológica. se estima que la IA impacta en radiomics, biobancos de imagen, decisión clínica sistemas de soporte, informes estructurados y flujo de trabajo.
El factor clave del rendimiento de la IA es entrenar con datos grandes y de alta calidad para evitar el sobreajuste y falta de equipamiento.
Las tres leyes de la robótica podrían aplicarse a radiología donde el «robot» es el «AI médico software de imágenes «.
Si la IA se usa en la práctica clínica, el principal problema médicolegal que surge es «quién es responsable de el diagnostico.»
La Sociedad Europea de Radiología (ESR) es consciente del impacto que la IA está teniendo en el campo de Radiología, desde técnico-científico, ético-profesional, y perspectivas económicas. Se ha generado mucho miedo entre radiólogos por las declaraciones en los medios públicos de investigadores involucrados en el desarrollo de IA, Discutir el impacto ético y profesional inmediato de AI en radiología, y considerar la posible evolución futura de dicha tecnología dentro de la imagen diagnóstica.
La IA puede entenderse como un conjunto de herramientas y programas que hacen que el software sea «más inteligente» en la medida en que un observador externo piensa que la salida es generada por un humano.
Funciona de manera similar a la forma en que un cerebro humano normal funciona durante tareas regulares como el sentido común razonamiento, formando una opinión o comportamiento social.
El término aprendizaje automático (y sus subcategorías) implica la situación en la que un agente (cualquier cosa que pueda ser visto como percibiendo su entorno a través de sensores y actuar sobre ese entorno a través de actuadores) es aprender si mejora su rendimiento en tareas futuras después de hacer observaciones sobre el mundo [9]. Máquina aprendizaje es un término introducido por Arthur Samuel en 1959 definir un campo de IA en el que las computadoras aprendan automáticamente de la acumulación de datos; se ha aplicado ampliamente al análisis de big data. Aprendizaje automático los algoritmos evolucionan con una exposición creciente a los datos; ellos no se basan exclusivamente en reglas, sino que mejoran con la experiencia, aprendiendo a dar respuestas específicas mediante la evaluación grandes cantidades de datos.
El aprendizaje profundo es un subconjunto del aprendizaje automático y es la base de la mayoría de las herramientas de IA para la interpretación de imágenes. Profundo el aprendizaje significa que la computadora tiene múltiples capas de algoritmos interconectados y estratificados en jerarquías de importancia (como datos más o menos significativos). Estas Las capas acumulan datos de las entradas y proporcionan una salida que puede cambiar paso a paso una vez que el sistema AI aprende nuevas características de los datos. Tal multicapa los algoritmos forman grandes redes neuronales artificiales.
Las redes neuronales artificiales están compuestas de nodos o unidades (de miles a millones) conectadas por enlaces. Un enlace propaga la activación de una unidad a otra, y cada la activación del enlace está ponderada por un valor numérico que determina la fuerza de la conexión. La función de activación puede basarse en un umbral de activación (la fuerza), y la unidad que recibe la activación es llamado un perceptrón. Los perceptrones están conectados por enlaces. y crear una red; la red puede ser adelantada (donde las conexiones son solo en una dirección) o podría ser una red recurrente, que alimenta sus salidas nuevamente sus propias entradas (un bucle).
Las redes de retroalimentación son generalmente dispuestas en capas. El objetivo es que la respuesta para cada examen debe coincidir con el examen etiquetas. Matemáticamente, el algoritmo está diseñado para maximizar el número de respuestas correctas a medida que las entradas son procesado a través de sus capas. Las redes neuronales artificiales deben ser «entrenadas» utilizando conjuntos de datos de capacitación de los cuales la red «aprende». En radiología, generalmente consisten (al menos inicialmente) en conjuntos de datos de imagen etiquetados a mano utilizados por el algoritmo para mejorar su ajuste para que coincida con la verdad del terreno. Una vez que una red ha sido entrenada usando un conjunto de datos de entrenamiento, sería luego se probará utilizando un conjunto diferente de datos (validación conjuntos de datos), diseñados para evaluar el ajuste del modelo a nuevos datos. En este paso, es común observar el «sobreajuste» del modelo.
El término «caso de uso» describe una aplicación clínica específica de IA en radiología. Se pueden considerar casos de uso como escenarios precisos dentro de la cadena de servicios de radiología donde la automatización podría agregar un valor significativo y establecer estándares.
La detección asistida por computadora (CAD) representa la primera Aplicaciones clínicas de la IA básica en radiología. Sistema CAD se ha implementado progresivamente en la práctica radiológica en las últimas dos décadas en la detección de pulmón, colon, cáncer de mama y próstata. La principal diferencia entre CAD y AI «verdadera» es que CAD solo realiza diagnósticos para los cuales ha sido específicamente entrenado y basa su desempeño en un entrenamiento conjunto de datos y un esquema rígido de reconocimiento que solo puede ser mejorado si se dan más conjuntos de datos al algoritmo CAD. La verdadera IA se caracteriza por el proceso de aprendizaje autónomo, sin programación explícita de cada uno paso, basado en una red de algoritmos y conexiones, similar a lo que hacen los humanos.
Un paso más allá de la detección de la enfermedad es la clasificación de la enfermedad en bajo o alto riesgo, con buen o mal pronóstico. Gran parte del trabajo en este campo ha sido en el cerebro. imagenología, tanto en enfermedad benigna como maligna. Ahí Ha habido un esfuerzo considerable para desarrollar clasificadores AI en pediatría, donde el mapeo cerebral y la conectividad funcional se pueden vincular con el resultado del desarrollo neurológico.
En un estudio que evalúa datos de resonancia magnética funcional en estado de reposo de 50 recién nacidos prematuros, vector de soporte binario las máquinas los distinguían de los recién nacidos a término con 84% de precisión (p <0,0001), basada principalmente en inter y conexiones intrahemisféricas en todo el cerebro [41] En la esclerosis múltiple, la IA se ha utilizado para evaluar el rendimiento de combinaciones de secuencias de resonancia magnética para optimizar la detección de lesiones cerebrales [42]. Clasificación de Se intentó un grado de glioma basado en imágenes de RM con algo de éxito Fuera de las actividades tradicionales de radiología de la lesión. detección y caracterización, y evaluación de respuesta al tratamiento, es probable que la IA afecte otras áreas del trabajo de radiólogos y otros profesionales de la salud.
Ejemplos incluyen:
Radiomics: extracción de características del diagnóstico imágenes, cuyo producto final es cuantitativo característica / parámetro, medible y extraíble desde imágenes Un análisis de radiología puede extraer más de 400 características de una región de interés en una tomografía computarizada, resonancia magnética o Estudio PET y correlacione estas características con cada otros y otros datos, mucho más allá de la capacidad de El ojo humano o el cerebro para apreciar. Tales características puede usarse para predecir el pronóstico y la respuesta a tratamiento [53, 54]. AI puede apoyar el análisis de características radiomicas y ayuda en la correlación entre radiomics y otros datos (proteómica, genómica, biopsia líquida, etc.) mediante la construcción de pacientes firmas [55].
Biobancos de imágenes: la memoria en constante aumento La capacidad de las computadoras permite el almacenamiento de grandes cantidades de datos En radiología, la necesidad de almacenar imágenes nativas y big data derivadas de cuantitativos. Las imágenes representan la causa principal de PACS sobrecargar. Las imágenes cuantitativas pueden producir imágenes biomarcadores que pueden almacenarse y organizarse en grandes biobancos de imágenes (potencialmente utilizando datos de muchos instituciones y ubicaciones), disponibles para ser procesadas, analizado y utilizado para predecir el riesgo de enfermedad en estudios de gran población y respuesta al tratamiento [56, 57] Los grandes biobancos también tienen el potencial de convertirse en el repositorio de pacientes digitales (Avatares o gemelos digitales de humanos) que pueden ser utilizados por IA para realizar simulaciones de desarrollo de enfermedades y progresión. Por otra parte, biobancos de imágenes se convertiría en una infraestructura necesaria para Organizar y compartir los datos de imagen de los cuales AI Los modelos pueden ser entrenados.
Optimización de dosis: la ESR EuroSafe Imaging La iniciativa está diseñada para apoyar y fortalecer protección radiológica médica en toda Europa a continuación.
Un enfoque holístico e inclusivo (www.eurosafeimaging.org). EuroSafe Imaging promueve la adopción de niveles de referencia de diagnóstico clínico en CT que deberían ser personalizado en función de los criterios de adecuación y en las características del paciente (IMC, tiempo de circulación, etc.) La elección del protocolo, sin embargo, está sujeta a variabilidad ya que con frecuencia depende del operador, y en consecuencia, la dosis de radiación y la calidad del examen están sujetos a variabilidad tanto a nivel intra e interinstitucional. En esta configuración, AI puede ser una herramienta de optimización para ayudar al tecnólogo y radiólogo en la elección de un paciente personalizado protocolo, en el seguimiento de los parámetros de dosis del paciente, y al proporcionar una estimación de los riesgos de radiación asociado con la dosis acumulada y la del paciente susceptibilidad (edad y otros parámetros clínicos).
Informes estructurados: AI puede ayudar a los informes flujo de trabajo y ayudar a la vinculación entre palabras, imágenes y datos cuantitativos, y finalmente sugerir el diagnóstico más probable El reporte estructurado La iniciativa de RSNA, en la cual ESR es socio, es proponiendo la adopción de «elementos de datos comunes» (CDE) que definen los atributos y permitidos valores de una unidad de información para que esa información se puede recoger y almacenar de manera uniforme instituciones y estudios [58]. Los CDE se definen en un diccionario de datos y hacer datos biomédicos interoperable para una variedad de aplicaciones, incluidas informes de radiología clínica, informes asistidos por computadora sistemas, anotaciones de imagen estructurada, reporte de caso formularios para investigación clínica y caso de radiología colecciones («archivos de enseñanza») [59]. CDE puede ser el vocabulario de IA para construir un paciente específico informe estructurado Las herramientas de IA también pueden afectar el flujo de trabajo diario al Filtrar la prioridad del examen según la idoneidad criterios [60]. ESR ha implementado el «ESR iGuide «, un sistema de apoyo a la decisión clínica (CDS) que ayuda a los médicos de referencia a elegir más procedimiento de imagen apropiado basado en el nivel de evidencia de adecuación y el nivel de emergencia [61]. AI junto con CDS puede mejorar el proceso de decisión y por lo tanto optimizar clínica y flujo de trabajo radiológico.
La disponibilidad de grandes cantidades (grandes datos) de imágenes médicas en el dominio de imágenes (de los sistemas PACS) ofrece gran potencial para el entrenamiento de IA, pero dichos datos necesitan un llamado proceso de «curación» en el que los datos se estratifican por cohortes de pacientes, segmentados para extraer la región de interés por la interpretación de IA, filtrada para evaluar la calidad de adquisición y reconstrucción, etc. [62]. Sin embargo, una anotación de conjunto de datos requiere mucho tiempo y trabajo, y la validación del diagnóstico de la verdad fundamental Debe ser muy robusto. Los hallazgos raros son una debilidad potencial; Si una condición o un hallazgo es muy raro, es difícil obtener suficientes ejemplos para entrenar un algoritmo para identificarlo con confianza. Además, la variación en los resultados puede conducir a sobreajuste involuntario, donde se interpreta el ruido aleatorio por el algoritmo como anormalidad. Por el contrario, si el el conjunto de datos de entrenamiento utilizado para entrenar un algoritmo contiene sesgos inherentes (por ejemplo, basados en el origen étnico, la edad o el género), el algoritmo puede equiparar los resultados de los datos derivados diferente población de pacientes [60] Problemas de regulación, a los humanos les gustaría las tres leyes ficticias de Isaac Asimov de robótica [63] para aplicar a la IA en radiología, donde el «robot» es el «software de imágenes médicas de IA».
