Crean un modelo impulsado por IA para respaldar los diagnósticos médicos

Se trata de un modelo revolucionario de aprendizaje profundo capaz de aprender a identificar enfermedades a partir de escaneos médicos de forma mucho más rápida y precisa.

Crean un modelo impulsado por IA para respaldar los diagnósticos médicos
Foto: Istock

Un equipo de científicos informáticos de la Universidad de Alberta, en Canadá, y la empresa derivada MEDO, han trabajado en una nueva investigación que ha permitido desarrollar un nuevo modelo de aprendizaje profundo capaz de aprender a identificar enfermedades a partir de escaneos médicos de forma mucho más precisa y rápida.

Como ya te hemos explicado en diferentes ocasiones, el aprendizaje profundo consiste en un tipo de aprendizaje automático, dentro de la inteligencia artificial (IA); concretamente, algoritmos informáticos que encuentran patrones en grandes conjuntos de datos, produciendo luego modelos que posteriormente pueden ser utilizados para llevar a cabo predicciones.

Precisamente, estos modelos funcionan mejor cuando aprenden de cientos de miles o incluso millones de ejemplos. Pero, en el campo del diagnóstico médico, es cierto que el sistema presenta un desafío único, ya que los investigadores, por lo general, únicamente tienen acceso a unos pocos cientos de imágenes de pruebas y escaneo médicos por razones de privacidad.

Esto plantea bastantes problemas, ya que “cuando se entrena un modelo de aprendizaje profundo con tan pocas instancias, su desempeño tiende a ser pobre”. Para intentar solventarlo, los investigadores trataron de abordar la forma de desarrollar modelos efectivos de aprendizaje profundo para tareas médicas con pocas instancias de capacitación, aprovechando el conocimiento presente en la literatura médica con la que guiar mejor el proceso de aprendizaje de la IA.

Así, mientras que las mejoras en el rendimiento provienen del entrenamiento del algoritmo a partir de imágenes médicas, también los investigadores utilizaron el diagnóstico “probabilístico”, proporcionado de forma indirecta por especialistas médicos, permitiendo al algoritmo aprender los patrones que caracterizan a cada enfermedad en las exploraciones, prediciendo con ello qué enfermedad es la que aparece en la exploración de un nuevo paciente, o si esta parece originalmente saludable.

Se trata, como indican los investigadores, de “brindar a los radiólogos mejores herramientas que hagan su trabajo más fácil, más rápido y más efectivo”. Especialmente si tenemos en cuenta que existe un “problema de escasez de personal médico, exacerbado en los países en desarrollo”.

Lo cierto es que el desarrollo de este tipo de modelos podría ser de muchísima utilidad a la hora de permitir a los especialistas médicos a tomar mejores decisiones

Como indican los científicos, esta investigación incluye importantes contribuciones de Pouneh Gorji, graduado póstumo del Departamento de Ciencias de la Computación, que falleció en la tragedia del vuelo PS752 con su mujer, en enero de 2020, cuando viajaban a Irán para casarse junto con otros cuatro miembros de la comunidad de la citada Facultad de Ciencias (en el accidente fallecieron 176 personas).

Por tanto, para el equipo, esta investigación se convierte en una oportunidad para honrar el legado y el trabajo de Gorji.

Referencia: Sample Efficient Learning of Image-Based Diagnostic Classifiers Using Probabilistic Labels. arXiv:2102.06164v1

Vídeo de la semana

Continúa leyendo