Eficiencia y Precisión: Las Claves para Integrar IA en Imágenes Médicas

Dra. Alexandra Jiménez. MD Pediatra Intensivista. MCs Inteligencia Artificial. Miembro fundador Aipocrates

Miembro Fundador AIpocrates

A pesar del potencial transformador de la inteligencia artificial (IA) en medicina, persiste una enorme brecha entre los beneficios soportados en un creciente número de publicaciones científicas y la aplicación en vida real de los mismos. Dentro de las múltiples razones de esta falta de integración está la dificultad de alinear las necesidades cotidianas de los profesionales de la salud con los avances tecnológicos y las investigaciones en IA. Por eso en esta segunda entrega de imagen medica e inteligencia artificial, se abordarán dos necesidades cruciales: eficiencia y precisión, y cómo se relacionan con uno de los avances más recientes en Deep learning: las Redes Generativas Antagónicas (GANs, por sus siglas en inglés).

1. EFICIENCIA

Entre 2013 y 2018, los estudios por TC y RM aumentaron en un 54% y un 48%, respectivamente, en el Reino Unido, mientras que la fuerza laboral de radiología creció solo un 19% (1) frente al creciente numero de imágenes y menos disponibilidad de talento humano es imperativo poder seleccionar  el tipo de estudios que ameritan una valoración más oportuna o generar automatización del diagnóstico  de algunas  patologías que pudieran servir de soporte a la decisión médica y optimizar el tiempo de lectura .

Tres ejemplos de uso que soportan la optimización de los flujos de trabajo desde la disminución del trabajo manual, hasta la priorización de tareas urgentes  :el primero  en tomografía de tórax la cuantificación automatizada de nódulos pulmonares , ha mostrado que puede mitigar el trabajo manual del radiólogo y disminuir la variabilidad  inter e intra observador (2) en segundo lugar para el caso de   radiología pediátrica pediatría, la predicción automatizada de la edad ósea ayuda a la cuantificación y la eficiencia de lectura de las radiografías de mano, lo que disminuye notablemente el tiempo de trabajo del radiólogo (3) y en tercer lugar más allá de la disminución del trabajo manual o el tiempo de lectura está la posibilidad de priorizar y generar una tiempo más eficiente de respuesta en los casos críticos, como lo muestra   un algoritmo  (4)para priorizar la hemorragia intracraneal  que redujo la respuesta   de 16 minutos a 12 minutos por caso positivo en los Estados Unidos.

B.PRECISION

El objetivo es que las imágenes tengan la mejor calidad con la menor dosis de radiación y contraste, que cobra especial interés en la atención de pacientes pediátricos. Un estudio de Bélgica en el que se utilizó un software de IA comercial para sintetizar una TC a partir de una RM para evaluar las lesiones en las articulaciones sacroilíacas para el diagnóstico de espondiloartritis, manteniendo la precisión diagnóstica (5)

Otra forma de precisión en imágenes diagnosticas está en las técnicas de visualización y procesamiento adecuado, que  son especialmente útiles por ejemplo en la supresión ósea o vascular en las imágenes del tórax  para aumentar  la detección de nódulos pulmonares,  o en las  evaluación ecográfica de lesiones tiroides con riesgo de malignidad, donde con podría optimizarse la imagen y generar  un algoritmo de apoyo en toma de decisiones con la historia del paciente y otros marcadores  para aumentar la exactitud y eventualmente disminuir el número de biopsias requeridas (6) Podría seguir enumerando una gran cantidad de estudios y aplicaciones, pero si trasladamos los puntos críticos a la actualidad, estos se pueden focalizar en garantizar la eficiencia  y precisión en los flujos de trabajo , desde la indicacaión de la toma de la imagen , hasta la entrega del resultado;  pasando por la adquisición, el papel del tecnólogo y, por supuesto, el apoyo a la visualización y lectura del médico.

Figura 1  Usos IA en imagen Médica : Propuesta de dos focos críticos eficiencia y precisión

C.ANALISIS DE LA IMAGEN

Teniendo como foco  eficiencia y precisión es fundamental evaluar en el proceso de análisis de imagen es importante conocer en que consiste cada etapa y la necesidad o potencial uso para luego evidenciar las herramientas de IA disponibles, para optimizar cada una de ellas

1. Preprocesamiento

Es el conjunto técnicas que se aplican a la imagen sobre la cual se está  trabajando para mejorar la calidad de la misma, hoy en día  puede ser difícil interpretar una imagen con artefactos de movimiento durante la adquisición y requiere que el paciente vuelva a recibir radiación si este problema no se detectó en el momento de la toma, de igual forma,  las diferencias entre los  equipos de imágenes pueden generar variaciones  significativas  en  características de los estudios, lo que puede hacer compleja la  estandarización en el momento de evaluar incluso un mismo paciente.  Hacer espacial énfasis en reducir el ruido (artefactos de imagen) y corregir las alteraciones del contraste (brillo)  entre otros, es el foco de las técnicas de IA en esta etapa   (7)

2. Segmentación

Hace referencia a la necesidad de dividir una imagen en partes o regiones significativas, típicamente ( separar órganos intratorácicos si solo se quiere evaluar aorta , por ejemplo)  para identificar estructuras anatómicas o regiones de interés , como órganos, tumores o vasos sanguíneos, es muy importante porque cuando no se segmentan los sitios de interés hay  variabilidad anatómica puede ser un desafío en el momento de la lectura , en estudios como la tomografía establecer los límites de las estructuras de características similares  puede no ser sencillo, así como delimitar adecuadamente  los bordes en casos de tumores rodeados por tejido sano. (8)

3. Extracción de Características

Identificar y cuantificar atributos específicos de la imagen que son relevantes para el diagnóstico del paciente, genera desafíos en  términos de  bordes, texturas, formas y patrones, que pueden no ser fácilmente distinguibles por el ojo humano, particularmente en áreas muy pequeñas, y dado que el ejercicio de lectura de imagen incluye hallazgos anatómicos y clínica del paciente, es necesario establecer de las características detectadas, la relevancia clínica  y definir cuales aportan valor y cuales no,  es una tarea que demanda la extracción de un gran número de datos alta dimensionalidad que no podrían evaluarse en forma rápida sin algún grado de automatización (9)

4. Clasificación

Se requiere poder categorizar segmentos de la imagen o la imagen completa, en clases predefinidas, fundamental por ejemplo en la detección de tumores. Sin embargo los estudios de investigación muchas veces están desequilibradas (hay muchas más imágenes normales que patológicas), lo que puede sesgar los modelos de clasificación, y hacer interpretable un modelo es fundamental para que tenga una aplicación adecuada en el mundo real (10)

5. Visualización

 Son las técnicas y métodos utilizados para presentar las imágenes médicas y los resultados de su análisis de manera que sean interpretables y útiles; en el caso de  oncología visualizar  tumores en 3D genera una información más detallada de  su tamaño, forma y ubicación en relación con otros órganos, lo que puede no ser evidente en un formato estándar; las  reconstrucciones virtuales son otro ejemplo de la importancia de la visualización,  permiten hacer una planeación quirúrgica más rápida y precisa. También comparar de manera longitudinal la efectividad de terapias específicas, como la reducción de un tumor es una herramienta que es mucho más sencilla y precisa con una visualización adecuada. (11)

Figura 2 Procesos para el análisis de imágenes médicas: Preprocesamiento, segmentación, extracción de características, clasificación, visualización, ejemplos de herramientas de IA para cada paso.

D.¿Por qué hablar de  Redes Generativas Antagónica (GAN)?

Hay un modelo de aprendizaje profundo que no solo tiene múltiples aplicaciones en cada una de las etapas del análisis de la imagen , sino que constituye una herramienta para mejorar la eficiencia y la precisión de muchas de las necesidades insatisfechas hoy con los métodos tradicionales, o que no se han resuelto con de otros algoritmos.

Consta de 2 redes neuronales que compiten entre sí, pero se entrenan juntas en un proceso de retroalimentación constante , lo que permite ir mejorando sus capacidades, consta de :  Red Generadora (G)  que tiene como objetivocrear datos falsos que parezcan reales y una Red Discriminadora (D) cuyo propósito es  distinguir entre datos reales y datos falsos creados por la red generador, mejorando ambos con cada iteración dentro de las métricas de rendimiento están  Frechet Inception Distance (FID) y la Inception Score (IS), que miden la calidad y diversidad de las imágenes generadas en comparación con las reales.

Figura 3. Arquitectura de una red generativa antagónica . El generador toma entradas aleatorias para generar nuevos datos, mientras que el discriminador clasifica los datos generados y los datos reales.Modificado (12 )

En el campo de las imágenes médicas, las GANs puede usarse  para múltiples procesos que pueden mejorar tanto la eficiencia como la precisión de las imágenes en tres ejemplos puntuales, no sin olvidar que entre los principales desafíos se encuentra el «mode collapse», donde el generador produce una variedad limitada de imágenes, reduciendo la diversidad y utilidad de los datos sintéticos, así  como inestabilidad del entrenamiento es otra preocupación, ya que la competencia entre el generador y el discriminador puede no converger adecuadamente, resultando en imágenes de baja calidad. Además, las GAN requieren grandes volúmenes de datos y alta potencia computacional:  (12, 13)

La segmentación de vasos sanguíneos: una GAN puede generar imágenes con vasos sanguíneos claramente delineados, en áreas muy complejas para hacerlas manualmente como los vasos retinianos

Síntesis intermodalidad: por ejemplo, generar una imagen de resonancia magnética (RNM) a partir de una TAC. El objetivo es reducir tiempo y coste. También se aplica para generar nuevas muestras de entrenamiento con la estructuras  adaptadas a la nueva modalidad

Eliminación de ruido: como se mencionó anteriormente si hay dificultades desde la adquisición, movimientos artefactos o una reconstrucción no adecuada las GANs pueden aprender suprimir el ruido mejorando la calidad de la imagen para su análisis

Figura 4 Casos de Uso Red generativa adversarial Modificado (13)

E. PERSPECTIVAS

Es fundamental mapear los cuellos de botella, las actividades repetitivas de poco valor y las áreas de gestión de volumen o datos, entre otras, donde las herramientas de IA puedan tener un papel preponderante. Cerrar la brecha es el camino que deberemos seguir, y empieza por conocer las herramientas, los modelos y tener una lectura crítica de los estudios. En este caso, a pesar de las ventajas de las redes como GANs, es importante garantizar la privacidad de los datos, la aplicabilidad y la fiabilidad de cada uno de los ejercicios que se hacen en investigación. Esto no solo para lograr una estandarización e integración más sostenida, sino para que realmente podamos aplicar la IA en el día a día. Esta es la visión de una médico entusiasta en IA. Para nuestra tercera entrega, exploraremos la visión de los ingenieros expertos en imagen médica y cómo podríamos continuar aprendiendo como equipos interdisciplinarios.

BIBLIOGRAFIA

1. The Royal College of Radiologists (2018) Clinical radiology UK workforce census report 2018. RCR website. https://www.rcr.ac.uk/publication/clinical-radiology-uk-workforce-census-report-2018. 
2. Kim H, Park CM, Hwang EJ, et al. Pulmonary subsolid nodules: value of semi-automatic measurement in diagnostic accuracy, diagnostic reproducibility and nodule classification agreement. Eur Radiol. 2018;28:2124–2133. doi: 10.1007/s00330-017-5171-7.
3. Kim JR, Shim WH, Yoon HM, et al. Computerized bone age estimation using deep learning based program: evaluation of the accuracy and efficiency. AJR Am J of Roentgenol. 2017;209:1374–1380. doi: 10.2214/AJR.17.18224.
4. O’Neill TJ, Xi Y, Stehel E, et al. Active reprioritization of the reading worklist using artificial intelligence has a beneficial effect on the turnaround time for interpretation of head CT with intracranial hemorrhage. Radiol Artif Intell. 2021;3:e200024. doi: 10.1148/ryai.2020200024.
5. Jans LBO, Chen M, Elewaut D, et al. MRI-based synthetic CT in the detection of structural lesions in patients with suspected sacroiliitis: comparison with MRI. Radiology. 2020;298:343–349. doi: 10.1148/radiol.2020201537. 
6. Van Leeuwen, K. G., de Rooij, M., Schalekamp, S., van Ginneken, B., & Rutten, M. J. C. M. (2022). How does artificial intelligence in radiology improve efficiency and health outcomes? Pediatric Radiology, 52, 2087-2093. https://doi.org/10.1007/s00247-021-05114-8

7. A. González et al., «Image preprocessing techniques for enhancing image quality in medical imaging: A comprehensive review,» Journal of Medical Imaging and Health Informatics, 2020.
8. J. Chen et al., «Deep learning for medical image segmentation: A review,» Annual Review of Biomedical Engineering, 2021
9. P. Kumar et al., «Feature extraction techniques for medical image analysis: A review,» Journal of Digital Imaging, 2019
10. H. Rajpurkar et al., «CheXNet: Radiologist-level pneumonia detection on chest X-rays with deep learning,» Radiology, 2018.

11. D. Starly et al., «Medical visualization: A review,» Computers in Biology and Medicine, 2019
12. Shin, Y., Yang, J., & Lee, Y. H. (2021). Deep generative adversarial networks: Applications in musculoskeletal imaging. Radiology: Artificial Intelligence, 3(3), e200157.
13. Vallalta Rueda, J. F. (s.f.). Redes generativas antagónicas en medicina. HealthDataMiner. Recuperado de https://healthdataminer.com/deep-learning/redes-generativas-antagonicas-en-medicina/