PROGRAMAS ACADÉMICOS DE POSGRADO DE FÍSICA MÉDICA BASADOS EN IA
El módulo académico de este programa tiene por objeto preparar a los futuros FMCC (FÍSICOS MÉDICOS CLÍNICAMENTE CUALIFICADOS) para que comprendan los principios de los marcos basados en la IA, sus entradas y salidas, y los enfoques básicos que se utilizan. Además de los módulos básicos que se definen en la publicación Nº 56 (Rev. 1) de la Colección Cursos de Capacitación del OIEA [1], el módulo “Advanced Statistical Methods” figura como tema optativo y podrá ofrecerse cuando existan los conocimientos especializados y recursos pertinentes.
Se recomienda que los estudiantes tengan conocimientos previos de: estadística fundamental, incluido el teorema del límite central; las principales funciones y aplicaciones de probabilidad; pruebas de inferencia estadística y evaluación de la significación estadística; errores estadísticos de tipo I y tipo II; cálculos de la potencia estadística y del tamaño de la muestra, y análisis de varianza (ANOVA), y programación computacional básica, lo cual incluye la gestión de archivos DICOM y la extracción de datos pertinentes, y secuencias de comandos para el análisis de datos e imágenes y su presentación gráfica (por ejemplo, Python, R, Octave).
Esquema del módulo “Advanced Statistical Methods”
Este módulo optativo tiene por objeto impartir a los estudiantes de física médica conocimientos básicos para garantizar un uso seguro, eficaz y eficiente de la IA, y se espera que los contenidos se presenten a un nivel que permita a los estudiantes alcanzar las aptitudes y conocimientos adecuados. La introducción de este módulo no debería ir en detrimento del número, la calidad o la duración de los módulos básicos enumerados en la publicación Nº 56 (Rev. 1) de la Colección Cursos de Capacitación del OIEA [1]. Por consiguiente, ello podría afectar a la duración global del programa académico.
A continuación figura el esquema del contenido de dicho módulo:
a) Introducción
i) Contexto histórico del desarrollo de la IA
ii) La función del físico médico
b) Regresión logística para modelos predictivos
i) Definición e interpretación de la función logística y logit
ii) Problema, datos, modelo, ajuste y evaluación de la regresión logística
c) Definición de regresión, clasificación y límite de decisión
i) Diferencia entre regresión y clasificación
ii) Conversión de un problema entre tipos de problema
iii) Interpretación de las salidas de cada modelo
d) Análisis de característica operativa del receptor (ROC)
i) Concepto básico e interpretación
ii) Verdadero positivo, verdadero negativo, falso positivo, falso negativo
iii) Errores de tipo I y tipo II
iv) Sensibilidad y especificidad
v) Área bajo la curva (ABC)
e) Covarianza, correlación, regresión, R2
i) Definiciones e interpretaciones
ii) Análisis
f) Categorías de aprendizaje automático
i) Aprendizaje supervisado
ii) Aprendizaje no supervisado
iii) Aprendizaje por refuerzo
iv) Categorías de aprendizaje híbrido
− Aprendizaje semisupervisado
− Aprendizaje autosupervisado
g) Modelos de aprendizaje automático y herramientas de análisis de datos
i) Regresión lineal y logística
ii) Redes neuronales
iii) Reducción de la dimensionalidad (p. ej., análisis de componentes principales)
iv) Máquina de vectores de soporte
v) Árboles de decisión y bosques aleatorios
vi) Potenciación del gradiente
vii) Análisis de conglomerados de k medias
viii) Métricas de evaluación (p. ej., matriz de confusión)
h) Entrenamiento y validación de modelos de aprendizaje automático
i) Matemáticas del entrenamiento (p. ej., función de pérdida, retropropagación,
optimización)
ii) Aumento de datos
iii) Selección y regularización del modelo
− Selección escalonada de predictores hacia adelante y hacia atrás
− Regresión contraída
− LASSO
iv) Métodos de entrenamiento
v) Optimización de hiperparámetros
vi) Tamaño de la muestra necesario
vii) Equilibrio entre sesgo y varianza
viii) Sobreajuste
ix) Tratamiento de la colinealidad de los predictores (factor de inflación de la
varianza, VIF)
x) Validación del modelo
− Validación cruzada (K-fold, leave-one-out)
− Bootstrap
− Generalizabilidad
− Validación externa
− Calibración
i) Aprendizaje profundo
i) Aprendizaje profundo y redes neuronales
ii) Redes neuronales convolucionales
iii) Redes neuronales recurrentes
− Redes Long short-term memory (LSTM)
iv) Redes de tipo transformador
− Redes de tipo transformador para texto
− Redes de tipo transformador Vision y Swin para el procesamiento de
imágenes
v) Redes generativas antagónicas (GAN) (p. ej., imágenes sintéticas)
vi) Aprendizaje por transferencia
− Adaptación de dominio
vii) Aumento
viii) Métricas de evaluación (p. ej., DICE)
j) Gestión de datos
i) Recopilación y recuperación de datos
ii) Evaluación de la calidad de los datos (tamaño de la muestra, desequilibrio)
iii) Preservación de datos
Anonimización y desidentificación
Etiquetado y segmentación
Armonización
Estandarización
Robustez
k) Dificultades y obstáculos de la IA en el ámbito de la medicina
i) Análisis de riesgos
ii) Deriva de los modelos y deriva de los datos
l) Cuestiones reglamentarias
m) Reseña de las aplicaciones clínicas basadas en la IA
n) Cuestiones éticas relacionadas con la IA
Sesiones prácticas
Las sesiones prácticas son esenciales para complementar el aprendizaje de los estudiantes y desarrollar aptitudes como parte del programa educativo. Debido a las similitudes entre los modelos de IA, una sola sesión práctica puede abarcar varios temas y módulos académicos. A continuación se ofrecen ejemplos de sesiones prácticas y los conocimientos a los que se aplican.
a) Entrenamiento de un modelo de clasificación y otro de regresión
i) Elección del modelo adecuado y estrategia de ajuste.
ii) Efecto del tamaño de la base de datos (sobreajuste y generalización).
iii) Prueba y validación de un modelo basado en la IA.
iv) Regularización de un modelo basado en la IA.
v) Establecer la calidad del modelo.
b) Entrenamiento de un modelo de aprendizaje profundo encargado de la segmentación de
imágenes
i) Comprender la influencia de los datos de entrada en el rendimiento del modelo.
ii) Prueba y validación de un modelo basado en la IA.
iii) Regularización de un modelo basado en la IA.
iv) Efecto de las diferentes arquitecturas.
v) Determinar la calidad del modelo.
vi) Aprendizaje por transferencia.
c) Evaluación de la segmentación basada en el aprendizaje profundo en aplicaciones de radioterapia
i) Aplicar un modelo de segmentación de aprendizaje profundo para segmentar órganos críticos o tejido tumoral en un conjunto de tomografías computarizadas.
ii) Evaluar en qué medida la segmentación basada en el aprendizaje profundo se corresponde con las segmentaciones clínicas.
iii) Evaluar cómo el modelo de aprendizaje profundo indica la incertidumbre de segmentación.
iv) Crear un plan de tratamiento utilizando segmentaciones basadas en el aprendizaje profundo y segmentaciones clínicas y evaluar las diferencias de calidad del plan.
d) Evaluar la IA en aplicaciones de detección radiológica (p. ej., detección y clasificación de nódulos pulmonares, clasificación de radiografías de tórax)
i) Aplicar un modelo de aprendizaje profundo para detectar y clasificar posibles enfermedades en un nuevo conjunto de imágenes médicas (p. ej., radiografías, TC y mamografías).
ii) Evaluar la exactitud de la detección de enfermedades por el modelo y evaluar la exactitud del modelo en la detección de enfermedades menos comunes.
iii) Evaluar la exactitud de la localización de la enfermedad. Si el modelo no ofrece la localización directamente, evaluar las técnicas de explicación visual que expliquen sus decisiones.
iv) Evaluar cómo el modelo indica incertidumbre en su decisión.
v) Evaluar si la presencia de resultados falsos positivos y resultados falsos negativos afecta al tratamiento posterior.
e) Evaluación de la reconstrucción de imágenes a partir de imagenología con dosis bajas
i) Aplicar un modelo de aprendizaje profundo para reconstruir imágenes de “calidad diagnóstica” a partir de imágenes obtenidas con dosis bajas, con imágenes de referencia conocidas que estén disponibles. Tal vez haya que crear dichos conjuntos de datos, si no están a disposición del público.
ii) Evaluar la exactitud de las imágenes reconstruidas. Evaluar si hay zonas de la imagen, por ejemplo, tejidos específicos, en que la imagen reconstruida se desvíe sistemáticamente de la original.
iii) Evaluar la exactitud de la imagen reconstruida ante la presencia de artefactos o fuentes de artefactos (p. ej., objetos metálicos en TC). Analizar los efectos de la presencia de artefactos en las imágenes reconstruidas.
iv) Analizar las implicaciones clínicas de las reconstrucciones e intentar comprender si las decisiones clínicas podrían verse afectadas por el uso de imágenes reconstruidas (p. ej., evaluar si se pasarían por alto o se introducirían nódulos pequeños al reconstruir una imagen de “calidad diagnóstica”; evaluar si se vería degradada la calidad del plan de tratamiento de radioterapia que se basará en dichas imágenes reconstruidas).
Podrán considerarse otras actividades de formación, similares a las enumeradas anteriormente y que aborden los mismos u otros temas académicos.
Recursos de conocimientos
A continuación se propone una lista de recursos que pueden utilizarse para elaborar el programa. Algunos están disponibles en formato electrónico. Pueden utilizarse marcos de aprendizaje automático de descarga gratuita (por ejemplo, TensorFlow, PyTorch, scikit-learn, mlr3, etc.).
a) Recursos básicos
i) JAMES, G., WITTEN, D., HASTIE, T., TIBSHIRANI, R., An Introduction to Statistical Learning. Springer, New York (2013).
ii) HASTIE, T., TIBSHIRANI, R., FRIEDMAN, J.H., The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer, New York (2009).
iii) FLACH, P., Machine Learning: The Art and Science of Algorithms that Make Sense of Data. Cambridge University Press (2012).
iv) GOODFELLOW, I., BENGIO, Y., COURVILLE, A., Deep learning, MIT Press (2016).
v) BISHOP, C.M., NASRABADI, N.M., Pattern recognition and machine learning, Springer, New York (2006).
vi) BISHOP, C. M., Neural networks for pattern recognition. Oxford University Press (1995).
b) Recursos adicionales
i) BURKOV, A., The hundred-page machine learning book. Quebec City, QC, Canada: Andriy Burkov (2019).
ii) PATTERSON, J., GIBSON, A., Deep learning: A practitioner’s approach. O’Reilly Media, Inc (2017).
iii) LAPAN, M., Deep reinforcement learning hands-on. Packt publishing (2020).
iv) THEOBALD, O., Machine Learning For Absolute Beginners: A Plain English Introduction. Scatterplot press (2017).
v) SEGARAN, T., Programming Collective Intelligence: Building Smart Web 2.0 Applications. O’Reilly Media, Inc (2007).
vi) MURPHY, K.P., Machine Learning: A Probabilistic Perspective. MIT Press (2012).
vii) MÜLLER, A.C., GUIDO, S., Introduction to Machine Learning with Python: a guide for data scientists. O’Reilly Media, Inc (2016).
viii) RASCHKA, S., Python machine learning. Packt Publishing Ltd (2015).
ix) REED, R., MARKS II, R.J., Neural Smithing: Supervised Learning in Feedforward Artificial Neural Networks. MIT Press (1999).
x) STEVENS, E., ANTIGA, L., VIEHMANN, T., Deep Learning with PyTorch. Manning Publications (2020).
xi) CHOLLET, F., Deep Learning with Python. Manning Publications (2021).
xii) TRASK, A.W., Grokking deep learning. Manning Publications (2019).
xiii) GÉRON, A., Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O’Reilly Media, Inc (2019).
xiv) SHUKLA, N., FRICK LAS, K., Machine learning with TensorFlow. Manning Publications (2018) [2].
[1] INTERNATIONAL ATOMIC ENERGY AGENCY, Postgraduate Medical Physics Academic Programmes, Training Course Series No. 56 (Rev. 1), Vienna (2021)
[2] LA INTELIGENCIA ARTIFICIAL EN EL ÁMBITO DE LA FÍSICA MÉDICA FUNCIONES, RESPONSABILIDADES, ENSEÑANZA Y CAPACITACIÓN DE FÍSICOS MÉDICOS CLÍNICAMENTE CUALIFICADOS CON EL RESPALDO DE LA ASOCIACIÓN AMERICANA DE FÍSICOS EN MEDICINA ORGANISMO INTERNACIONAL DE ENERGÍA ATÓMICA VIENA, 2025. COLECCIÓN CURSOS DE CAPACITACION Nº 83
