Nuevo método de IA detecta incertidumbre en imágenes médicas | Noticias del MIT

En biomedicina, la segmentación implica anotar píxeles de una estructura importante en una imagen médica, como un órgano o una célula. Los modelos de inteligencia artificial pueden ayudar a los médicos al resaltar píxeles que pueden mostrar signos de una enfermedad o anomalía particular.

Sin embargo, estos modelos normalmente sólo proporcionan una respuesta, mientras que el problema de segmentar imágenes médicas suele ser cualquier cosa menos blanco y negro. Cinco anotadores humanos expertos podrían proporcionar cinco segmentaciones diferentes y pueden no estar de acuerdo sobre la existencia o extensión de los límites de un nódulo en una imagen de TC de pulmón.

“Tener opciones puede ayudar en la toma de decisiones. El mero hecho de que exista incertidumbre en un cuadro médico puede influir en las decisiones de una persona. “Por tanto, es importante tener en cuenta esta incertidumbre”, afirma Marianne Rakic, estudiante de doctorado en informática en el MIT.

Rakic, junto con otros en el MIT, el Broad Institute del MIT y el Hospital General de Harvard y Massachusetts, es el autor principal de un artículo que presenta una nueva herramienta de inteligencia artificial que puede capturar la incertidumbre en una imagen médica.

El sistema conocido como Tyche (llamado así por la deidad griega del azar) ofrece múltiples segmentaciones plausibles, cada una de las cuales resalta áreas ligeramente diferentes de una imagen médica. Un usuario puede especificar cuántas opciones ofrece Tyche y elegir la más adecuada para su propósito.

Es importante destacar que Tyche puede manejar nuevas tareas de segmentación sin necesidad de volver a capacitarse. La capacitación es un proceso que requiere un uso intensivo de datos, implica mostrar un modelo con muchos ejemplos y requiere una amplia experiencia en aprendizaje automático.

Debido a que no se requiere reentrenamiento, Tyche podría ser más fácil de utilizar para los médicos e investigadores biomédicos que otros métodos. Podría usarse “listo para usar” para una variedad de tareas, desde identificar lesiones en una radiografía de pulmón hasta localizar anomalías en una resonancia magnética cerebral.

En última instancia, este sistema podría mejorar los diagnósticos o respaldar la investigación biomédica al llamar la atención sobre información potencialmente importante que otras herramientas de inteligencia artificial pueden pasar por alto.

“La ambigüedad no ha sido suficientemente investigada. Si su modelo omite por completo un nódulo que tres expertos dicen que está ahí y dos expertos dicen que no, probablemente debería prestarle atención», añade el autor principal Adrian Dalca, profesor asistente de la Facultad de Medicina de Harvard y el MGH, y un estudio por científicos del Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT (CSAIL).

Sus coautores incluyen a Hallee Wong, estudiante de posgrado en ingeniería eléctrica e informática; José Javier González Ortiz PhD '23; Beth Cimini, directora asociada de análisis de bioimágenes del Broad Institute; y John Guttag, profesor Dugald C. Jackson de Ciencias de la Computación e Ingeniería Eléctrica. Rakic ​​​​presentará a Tyche en la Conferencia IEEE sobre visión por computadora y reconocimiento de patrones, donde Tyche fue seleccionado como destacado.

Abordar las ambigüedades

Los sistemas de inteligencia artificial para la segmentación de imágenes médicas suelen utilizar redes neuronales. Basadas libremente en el cerebro humano, las redes neuronales son modelos de aprendizaje automático que constan de muchas capas interconectadas de nodos, o neuronas, que procesan datos.

Después de hablar con el personal del Broad Institute y del MGH que utilizan estos sistemas, los investigadores descubrieron que dos problemas importantes limitan su eficacia. Los modelos no pueden capturar la incertidumbre y deben volver a entrenarse incluso para una tarea de segmentación ligeramente diferente.

Algunos métodos intentan superar un obstáculo, pero abordar ambos problemas con una única solución ha resultado particularmente difícil, afirma Rakic.

“Si se quiere tener en cuenta la ambigüedad, a menudo hay que utilizar un modelo extremadamente complicado. Nuestro objetivo es utilizar el método que proponemos para simplificar la aplicación con un modelo relativamente pequeño para que se puedan hacer predicciones rápidamente”, afirma.

Los investigadores construyeron Tyche modificando una arquitectura de red neuronal simple.

Un usuario primero le da a Tyche algunos ejemplos que muestran la tarea de segmentación. Los ejemplos podrían incluir múltiples imágenes de lesiones en una resonancia magnética cardíaca que han sido segmentadas por diferentes expertos humanos para permitir que el modelo aprenda la tarea y reconozca que existen ambigüedades.

Los investigadores descubrieron que sólo 16 imágenes de muestra, llamadas «conjunto de contexto», son suficientes para que el modelo haga buenas predicciones, pero no hay límite para la cantidad de ejemplos que se pueden usar. El conjunto de contexto permite a Tyche resolver nuevas tareas sin volver a capacitarse.

Para permitir que Tyche capture la incertidumbre, los investigadores modificaron la red neuronal para generar múltiples predicciones basadas en una imagen médica ingresada y la oración de contexto. Ajustaron las capas de la red para que las segmentaciones candidatas producidas en cada paso puedan «hablar» entre sí y con los ejemplos en la oración contextual a medida que los datos pasan de una capa a otra.

Esto permite que el modelo garantice que las segmentaciones candidatas sean todas ligeramente diferentes pero aún así resuelvan la tarea.

“Es como tirar los dados. Si tu modelo puede sacar un dos, un tres o un cuatro, pero no sabe que ya tienes un dos y un cuatro, entonces uno de ellos podría reaparecer», dice.

También cambiaron el proceso de entrenamiento para recompensarlo por maximizar la calidad de su mejor predicción.

Si el usuario solicita cinco predicciones, puede terminar viendo las cinco segmentaciones de imágenes médicas que creó Tyche, aunque una pueda ser mejor que las demás.

Los investigadores también desarrollaron una versión de Tyche que se puede utilizar con un modelo existente previamente entrenado para la segmentación de imágenes médicas. En este caso, Tyche permite que el modelo genere múltiples candidatos realizando ligeras transformaciones en las imágenes.

Predicciones mejores y más rápidas

Cuando los investigadores probaron Tyche en conjuntos de datos de imágenes médicas anotadas, descubrieron que sus predicciones capturaban la diversidad de anotadores humanos y que sus mejores predicciones eran mejores que cualquiera de los modelos de referencia. Tyche también era más rápido que la mayoría de los modelos.

“Seleccionar varios candidatos y asegurarse de que sean diferentes entre sí realmente te da una ventaja”, afirma Rakic.

Los investigadores también descubrieron que Tyche podía superar a modelos más complejos entrenados utilizando un gran conjunto de datos especializados.

Para trabajos futuros, planean utilizar un conjunto de contexto más flexible, tal vez con texto o múltiples tipos de imágenes. Además, quieren explorar métodos que podrían mejorar las peores predicciones de Tyche y mejorar el sistema para que pueda recomendar los mejores candidatos de segmentación.

Esta investigación está financiada en parte por los Institutos Nacionales de Salud, el Centro Eric y Wendy Schmidt del Instituto Broad del MIT y Harvard, y Quanta Computer.