En biomedicina, la segmentación consiste en 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 destacando los píxeles que pueden mostrar signos de una determinada enfermedad o anomalía.
La ambigüedad en la segmentación de imágenes médicas, puede llevar a que incluso cinco expertos humanos puedan ofrecer segmentaciones diferentes, por ejemplo discrepando sobre la existencia o extensión de los bordes de un nódulo en una imagen de TAC pulmonar.
Un nuevo método de inteligencia artificial (IA) llamado Tyche captura la incertidumbre en imágenes médicas. A diferencia de los modelos tradicionales que proporcionan una única respuesta, Tyche genera múltiples segmentaciones plausibles para resaltar diferentes áreas en una imagen médica. Tyche no requiere reentrenamiento y podría ser más accesible para clínicos y científicos biomédicos. Su uso podría mejorar diagnósticos y señalar información crucial que otros métodos podrían pasar por alto.
“El mero hecho de ver que hay incertidumbre en una imagen médica puede influir en las decisiones de alguien”
"Disponer de opciones puede ayudar a tomar decisiones. Incluso el mero hecho de ver que hay incertidumbre en una imagen médica puede influir en las decisiones de alguien, por lo que es importante tener en cuenta esta incertidumbre", afirma Marianne Rakic, doctoranda en informática del MIT. La denominación “Tyche”, proviene del nombre de la divinidad griega del azar, y se elegió puesto que el sistema ofrece múltiples segmentaciones plausibles que resaltan áreas ligeramente diferentes de una imagen médica. El usuario puede especificar cuántas opciones ofrece Tyche y seleccionar la más adecuada para su objetivo.
Al no necesitar reentrenamiento, Tyche podría ser más fácil de usar que otros métodos para médicos e investigadores biomédicos. Podría aplicarse "out of the box" a diversas tareas, desde la identificación de lesiones en una radiografía de pulmón hasta la localización de anomalías en una resonancia magnética cerebral. En última instancia, este sistema podría mejorar los diagnósticos o ayudar en la investigación biomédica llamando la atención sobre información potencialmente crucial que otras herramientas de IA podrían pasar por alto.
"La ambigüedad no se ha estudiado lo suficiente”
"La ambigüedad no se ha estudiado lo suficiente. Si tu modelo pasa por alto un nódulo que, según tres expertos, está ahí y, según dos, no, probablemente deberías prestarle atención", afirma Adrian Dalca, autor principal del estudio, profesor adjunto de la Facultad de Medicina de Harvard y del MGH, e investigador científico del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT.
Los sistemas de inteligencia artificial (IA) para la segmentación de imágenes médicas suelen utilizar redes neuronales. Estas redes, inspiradas en el cerebro humano, son modelos de aprendizaje automático que constan de muchas capas interconectadas de nodos o neuronas que procesan datos.
Los investigadores descubrieron que tan solo 16 imágenes de ejemplo, llamadas “conjunto de contexto”, son suficientes para que el modelo haga buenas predicciones, pero no hay límite en la cantidad de ejemplos que se pueden utilizar. El conjunto de contexto permite que Tyche resuelva nuevas tareas sin necesidad de reentrenamiento.
Al proporcionar mapas de etiquetas plausibles para una imagen médica, el modelo de aprendizaje automático podría ayudar a los médicos e investigadores a capturar información crucial
Para que Tyche capture la incertidumbre, los investigadores modificaron la red neuronal para que genere múltiples predicciones basadas en una sola imagen médica de entrada y el conjunto de contexto. También modificaron el proceso de entrenamiento para que ofrezca resultados maximizando la calidad de su mejor predicción. Si el usuario solicita cinco predicciones, al final puede ver todas las segmentaciones de imágenes médicas que Tyche produjo, aunque una podría ser mejor que las demás. Los investigadores también desarrollaron una versión de Tyche que se puede utilizar con un modelo previamente entrenado para la segmentación de imágenes médicas. En este caso, Tyche permite que el modelo genere múltiples opciones mediante pequeñas transformaciones en las imágenes.
PREDICCIONES MEJORES Y MÁS RAPIDAS
Cuando los investigadores probaron Tyche con conjuntos de datos de imágenes médicas anotadas, comprobaron que sus predicciones captaban la diversidad de los anotadores humanos y que sus mejores predicciones eran mejores que las de los modelos de referencia. Además, Tyche fue más rápido que la mayoría de los modelos.
"La producción de múltiples candidatos y la garantía de que son diferentes entre sí realmente aporta una ventaja", afirma Rakic. Los investigadores también observaron que Tyche podía superar a modelos más complejos entrenados con un conjunto de datos especializado y de gran tamaño. En un futuro, sus creadores plantean probar con un conjunto de contextos más flexible, que quizá incluya texto o varios tipos de imágenes. Además, quieren explorar métodos que puedan mejorar las peores predicciones de Tyche y mejorar el sistema para que pueda recomendar los mejores candidatos a la segmentación.