Potente Nueva Herramienta de IA Mejora la Lectura de Radiografías de Tórax por Parte de Médicos
¿Puede la inteligencia artificial, o IA, transformar potencialmente el cuidado de la salud para mejor?
Un equipo de investigadores de la Universidad Estatal de Arizona ha construido una nueva y poderosa herramienta de IA, llamada Ark+, para ayudar a los médicos a interpretar mejor las radiografías de tórax y mejorar los resultados de atención médica.
"Ark+ está diseñado para ser una herramienta abierta, confiable y útil en sistemas de salud del mundo real," dijo Jianming "Jimmy" Liang, profesor de ASU en la Facultad de Soluciones de Salud y autor principal del estudio recientemente publicado en la prestigiosa revista Nature.
En un estudio de prueba de concepto, la nueva herramienta de IA demostró una capacidad excepcional en diagnósticos, desde enfermedades pulmonares comunes hasta enfermedades raras e incluso emergentes como COVID-19 o gripe aviar. Además, fue más precisa y superó al software propietario actualmente lanzado por gigantes de la industria como Google y Microsoft.
Nuestro objetivo era construir una herramienta que no solo funcionara bien en nuestro estudio, sino que también pueda ayudar a democratizar la tecnología para ponerla en manos de potencialmente todos. En última instancia, queremos que la IA ayude a los médicos a salvar vidas.
Jianming "Jimmy" Liang, profesor de ASU en la Facultad de Soluciones de Salud
Más valor por el dinero en cuidados de salud
La gente ciertamente demanda más valor por su dinero en salud.
Aunque la salud ahora es el principal impulsor de la economía estadounidense, EE. UU. continúa clasificado más bajo que muchos países en varios indicadores, incluyendo el 49° en esperanza de vida, según el Banco Mundial. Esto está por debajo de países como Cuba y Qatar.
Los pacientes desean vivir vidas más saludables y tener mejores resultados. Los médicos quieren asegurarse de que el diagnóstico sea correcto la primera vez para ofrecer un mejor cuidado al paciente.
Ahí es donde entra la IA.
Una nueva herramienta de IA en salud
El equipo de investigación de Liang quería utilizar la IA para ayudar a interpretar el tipo más común de radiografía utilizada en medicina, la radiografía de tórax.
Las radiografías de tórax son de gran ayuda para los médicos al diagnosticar rápidamente diversas condiciones que afectan el tórax, incluyendo problemas pulmonares (como neumonía, tuberculosis o fiebre del valle), problemas cardíacos, costillas fracturadas e incluso ciertas condiciones gastrointestinales.
Sin embargo, a veces pueden ser difíciles de interpretar, incluso para los médicos experimentados, o pueden pasar por alto el diagnóstico de condiciones raras o enfermedades emergentes, como se vio en el primer año de la pandemia de COVID-19.
La herramienta Ark+ facilita las radiografías de tórax al reducir errores, acelerar diagnósticos y hacer que la tecnología sea más equitativa al proporcionar herramientas de salud basadas en IA de alta calidad de acceso libre y gratuito a nivel mundial.
"Creemos en la ciencia abierta," dijo Liang. "Así que utilizamos un conjunto de datos público y global ya que pensamos que esto desarrollará más rápidamente el modelo de IA."
Ark+ supera nuevas herramientas de IA para radiografías de tórax
La IA funciona entrenando software de computadora en grandes conjuntos de datos, o en el caso del modelo Ark+, un total de más de 700,000 imágenes en todo el mundo de varios conjuntos de datos de radiografías disponibles públicamente.
La clave diferencial para Ark+ fue añadir valor y experiencia de la parte humana de la medicina. El equipo de Liang incluyó detalladamente todas las notas de los médicos compuestas para cada imagen. "Aprendes más conocimiento de los expertos," comentó Liang.
Historias Relacionadas
- Sistema de IA estima la densidad ósea utilizando imágenes de radiografía rutinarias
- Vulnerabilidad persistente al COVID-19 en sobrevivientes de cáncer infantil
- Los hábitos alimentarios influyen directamente en el microbioma vaginal, revela investigación
Estas notas de expertos fueron críticas en el aprendizaje de Ark+ y en aumentar su precisión a medida que se entrenaba con cada conjunto de datos.
"Ark+ acumula y reutiliza conocimiento," explicó Liang, haciendo referencia al acrónimo. "Así es como lo entrenamos. Y en gran medida, estábamos pensando en una nueva forma de entrenar modelos de IA con numerosos conjuntos de datos mediante aprendizaje completamente supervisado."
"Porque antes de esto, si querías entrenar un modelo grande usando múltiples conjuntos de datos, generalmente usabas aprendizaje auto-supervisado, o entrenabas en el modelo de enfermedad, el anormal, frente a una radiografía normal."
Grandes compañías como Google y Microsoft han estado desarrollando modelos de IA para salud de esta manera.
"Eso significa que no estás utilizando las etiquetas de expertos," dijo Liang. "Y eso significa que desechas la información más valiosa de los conjuntos de datos, estas etiquetas de expertos. Queríamos que la IA aprendiera de conocimiento experto, no solo de los datos crudos."
Así, en un caso de David contra Goliat, el pequeño pero valiente equipo de investigación de Liang, incluyendo a los estudiantes de posgrado DongAo Ma y Jiaxuan Pang, trabajó en el proyecto con financiamiento de los Institutos Nacionales de Salud, la Fundación Nacional de Ciencias y financiamiento inicial de una colaboración de larga data con el radiólogo de la Clínica Mayo Arizona, Michael Gotway.
La nueva herramienta de ASU puede ser la honda necesaria para impulsar la medicina, ya que se demostró que supera al software privado y comercial desarrollado por gigantes.
Otros aspectos destacados importantes del proyecto piloto incluyen:
- Modelo base para radiografías: Ark+ está entrenado en muchos conjuntos de datos de radiografías de tórax diferentes de hospitales e instituciones de todo el mundo. Esto lo hace mejor en la detección de una amplia gama de problemas pulmonares.
- Apertura y compartibilidad: El equipo ha publicado el código y los modelos preentrenados. Esto significa que otros investigadores pueden mejorarlo o ajustarlo para clínicas locales.
- Aprendizaje rápido: Ark+ puede identificar enfermedades raras incluso cuando solo hay unos pocos ejemplos disponibles.
- Se adapta a nuevas tareas: Ark+ también puede ser ajustado para detectar nuevos problemas pulmonares no vistos sin necesidad de un reentrenamiento completo.
- Resistente y justo: Ark+ funciona bien incluso con datos desiguales y combate sesgos. También puede usarse de manera privada y segura.
Entre los aspectos más importantes de superar a las compañías propietarias fue hacer que el software Ark+ sea de acceso abierto y gratuito para todos.
"Si competimos directamente, es poco probable que ganemos," dijo Liang. "Pero con software de código abierto, invitamos a colaboraciones con muchos otros laboratorios. Y con todos involucrados, creo que somos más poderosos que una sola compañía."
Poner la IA en manos de los médicos
Liang también señala que el software puede adaptarse para cualquier tipo de diagnóstico de imagen médica, incluyendo CT, MRI y otras herramientas de imagen, ampliando así su impacto en el futuro.
Liang y su equipo de investigación esperan que Ark+ se convierta en una base para futuras herramientas de IA en medicina, permitiendo un mejor cuidado sin importar dónde vivan los pacientes.
El equipo de Ark+ espera comercializar más el software para hospitales para que investigadores en todas partes utilicen y construyan sobre su trabajo. Al compartir todo abiertamente, quieren ayudar a los médicos en todos los países, incluso en lugares rurales sin grandes recursos de datos.
Su objetivo es hacer que la IA médica sea más segura, inteligente y útil para todos.
"Al hacer este modelo completamente abierto, estamos invitando a otros a unirse a nosotros para hacer que la IA médica sea más justa, precisa y accesible," agregó Liang. "Creemos que esto ayudará a salvar vidas."
Es una mejor medicina para los cuidados de salud en EE. UU. que todos los estadounidenses desearían aceptar.
Para más contenido especializado, suscríbete a nuestro boletín informativo.
Comments ()