IA en medicina: nuevo enfoque para diagnósticos más eficaces
Los investigadores han desarrollado una nueva herramienta de IA que utiliza datos de imagen para detectar también enfermedades menos frecuentes del tracto gastrointestinal
La IA, que ya se utiliza en muchos ámbitos de la medicina, tiene un enorme potencial para ayudar a los médicos a diagnosticar enfermedades con la ayuda de datos de imagen. Sin embargo, los modelos de IA tienen que entrenarse con un gran número de ejemplos, que por lo general sólo están disponibles en cantidades suficientes para las enfermedades comunes. "Es como si un médico de familia solo tuviera que diagnosticar tos, mocos y dolores de garganta", afirma el profesor Frederick Klauschen, director del Instituto de Patología de la LMU. "El reto real es detectar también las enfermedades menos comunes, que los modelos actuales de IA suelen pasar por alto o clasificar erróneamente".
Junto con el grupo del profesor Klaus-Robert Müller de TU Berlin/BIFOLD y sus colegas de la Charité - Universitätsmedizin Berlin, Klauschen ha desarrollado un novedoso enfoque que supera esta limitación: Según informan los científicos en la revista New England Journal of Medicine AI (NEJM AI), su nuevo modelo sólo necesita datos de entrenamiento de hallazgos comunes para detectar también con fiabilidad las enfermedades menos frecuentes. Esto podría mejorar significativamente la precisión del diagnóstico y aliviar la carga de trabajo de los patólogos en el futuro.
Aprender de la normalidad
El nuevo enfoque se basa en la detección de anomalías: A partir de la caracterización muy precisa del tejido normal y de los hallazgos de las enfermedades frecuentes, el modelo aprende a reconocer y marcar las desviaciones, sin tener que ser entrenado específicamente para estos casos más raros. Para su estudio, los investigadores recopilaron dos grandes conjuntos de datos de imágenes microscópicas de secciones de tejido procedentes de biopsias gastrointestinales con los diagnósticos correspondientes. En estos conjuntos de datos, los diez hallazgos más comunes -incluidos hallazgos normales y enfermedades comunes como la gastritis crónica- representan alrededor del 90 por ciento de los casos, mientras que el 10 por ciento restante contenía 56 entidades patológicas, entre ellas muchos cánceres.
Para entrenar y evaluar su modelo, los investigadores utilizaron un total de 17 millones de imágenes histológicas de 5.423 casos. "Comparamos varios enfoques técnicos y nuestro mejor modelo detectó con un alto grado de fiabilidad una amplia gama de patologías más raras del estómago y el colon, incluidos cánceres primarios o metastásicos poco frecuentes. Que sepamos, ninguna otra herramienta de IA publicada es capaz de hacer esto", afirma Müller. Además, mediante mapas térmicos, la IA puede indicar en color la posición de las anomalías en la sección de tejido.
Reducción significativa de la carga de trabajo del diagnóstico
Al identificar los hallazgos normales y las enfermedades frecuentes y detectar las anomalías, el nuevo modelo de IA, que se seguirá mejorando con el tiempo, podría proporcionar una ayuda fundamental a los médicos. Aunque las enfermedades identificadas aún deben ser confirmadas por patólogos, "los médicos pueden ahorrar mucho tiempo, porque los hallazgos normales y una cierta proporción de las enfermedades pueden ser diagnosticados automáticamente por la IA. Esto se aplica a entre un cuarto y un tercio de los casos", afirma Klauschen. "Y en los casos restantes, la IA puede facilitar la priorización de casos y reducir los diagnósticos perdidos. Esto representaría un enorme progreso".
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Jonas Dippel, Niklas Prenißl, Julius Hense, Philipp Liznerski, Tobias Winterhoff, Simon Schallenberg, Marius Kloft, Oliver Buchstab, David Horst, Maximilian Alber, Lukas Ruff, Klaus-Robert Müller, Frederick Klauschen; "AI-Based Anomaly Detection for Clinical-Grade Histopathological Diagnostics"; NEJM AI, Volume 1
Más noticias del departamento ciencias
Reciba la industria de las ciencias biológicas en su bandeja de entrada
No se pierda nada a partir de ahora: Nuestro boletín electrónico de biotecnología, productos farmacéuticos y ciencias de la vida le pone al día todos los martes y jueves. Las últimas noticias del sector, los productos más destacados y las innovaciones, de forma compacta y fácil de entender en su bandeja de entrada. Investigado por nosotros para que usted no tenga que hacerlo.
