Radiómica y la inteligencia artificial

Radiómica y la inteligencia artificial

Invitados: Dr. Miguel Martin, Dr. Rafael Martin   

Moderador:  MSc. Omar Arias

El video es la segunda parte de una discusión sobre radiómica, y en esta ocasión se centra en la profundización de la relación entre la radiómica y la inteligencia artificial (IA). Los profesores Rafael y Miguel Martín  acompañan al moderador para explicar cómo la IA se ha convertido en un aliado esencial para procesar la gran cantidad de datos generados por la radiómica.

Inicialmente, se recuerda que la radiómica genera una enorme cantidad de datos descritos por «hit maps» que correlacionan diversas características radiómicas. Debido a esta gran cantidad de información, se hace necesario el uso de la Inteligencia Artificial y el Big Data para establecer relaciones significativas entre estas características y determinar cuáles son relevantes.

Se explica la evolución de la Inteligencia Artificial utilizando una analogía de una cebolla con capas:

• En la base se encuentran las características generales de la IA.
• Una capa superior es el Machine Learning, que ha sido ampliamente utilizado y se encuentra en muchos dispositivos. El Machine Learning se apoya en técnicas estadísticas y manejo de grandes cantidades de datos.
• Dentro del Machine Learning, las redes neuronales surgieron como herramientas que podían ser entrenadas.
• Al aumentar significativamente el número de capas en las redes neuronales (capas de entrada, salida e intermedias), se da paso al Deep Learning, permitiendo establecer relaciones más complejas entre los parámetros.
• Más recientemente, dentro del Deep Learning, han surgido las redes generativas basadas en modelos de gran lenguaje (LLM), que son la base de los chatbots actuales. Se menciona que el Data Science y el Big Data son elementos fundamentales que también apoyan a la IA.

Se discute dónde opera la Inteligencia Artificial en la radiómica, identificando dos líneas principales:

• Machine Learning: Se toman imágenes que son segmentadas, se establecen los hit maps para reducir la cantidad de características correlacionadas, y luego se aplican técnicas de clasificación como Random Forest y máquinas de vectores de soporte (SVM) para reclasificar las características radiómicas.
• Deep Learning: El proceso inicial es similar (adquisición y segmentación de imágenes, extracción de características), pero estas características se utilizan como entrada para una red neuronal profunda convolucional.

Se aclara que la segmentación, vital para la radiómica al definir las regiones de interés para extraer características, también puede realizarse con algoritmos de Inteligencia Artificial. Se enfatiza que la aplicación principal de la IA en radiómica es enfrentarse a la gran cantidad de datos generados y clasificarlos para definir biomarcadores de imagen.

Se aborda cómo la radiómica tradicionalmente no realiza un preprocesamiento exhaustivo de las imágenes, más allá de la eliminación de ruido o ajustes de histograma. Sin embargo, las imágenes médicas contienen información física valiosa (difusión del agua, anisotropía, tiempos de relajación, perfusión, espectroscopía, PET) que puede representarse en mapas. La radiómica también puede trabajar sobre estos mapas, donde cada píxel representa un valor físico extraído de la imagen médica. Trabajar con mapas puede ayudar a seleccionar características radiómicas relevantes basadas en el conocimiento de ciertas patologías y reducir la dimensionalidad del espacio de características, facilitando el uso posterior de técnicas de IA.

Se genera una discusión sobre el futuro del software de Inteligencia Artificial en radiología. Se plantea si habrá software específico para cada área (mama, tórax, etc.) o un software unificado. Si bien la tendencia actual en la investigación es hacia estudios muy específicos, se debate si los avances en IA, especialmente con los modelos de gran lenguaje, podrían llevar a herramientas con una mayor cobertura.

Se reconoce que, si bien un software unificado para analizar cualquier imagen de cualquier parte del cuerpo para cualquier enfermedad es complejo debido a la especificidad de las características y los modelos de Deep Learning entrenados para diferentes tareas, la integración de sistemas específicos a través de modelos de gran lenguaje (como los chatbots) podría ser una dirección futura. Estos modelos podrían actuar como integradores, recibiendo las salidas de sistemas especializados para generar una visión más completa del paciente.

Se destaca que la validación y la implicación clínica directa en la salud hacen que el avance en la IA aplicada a la radiología sea más lento que en áreas como el procesamiento del lenguaje. Sin embargo, se subraya el potencial de la IA para identificar patrones o generar ideas nuevas que podrían pasar desapercibidas para los expertos humanos, mejorando la precisión y efectividad del diagnóstico.

Finalmente, se aborda la importancia de que los profesionales de la salud comprendan los fundamentos de la IA y la radiómica, no para programar, sino para poder ser usuarios críticos de las herramientas que se desarrollen y entender la efectividad de los modelos utilizados. 

Para observar conversatorio ingresar al siguiente enlace: