Uso de inteligencia artificial e informes antiguos para comprender nuevas imágenes médicas

Obtener una lectura rápida y precisa de una radiografía u otra imagen médica puede ser vital para la salud de un paciente e incluso podría salvarle la vida. La obtención de esta evaluación depende de la disponibilidad de un radiólogo experimentado y, en consecuencia, no siempre es posible una respuesta rápida. Por esta razón, dice Ruizhi «Ray» Liao, un postdoctorado y recién graduado con un doctorado del Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT (CSAIL), «queremos entrenar máquinas que puedan reproducir lo que los radiólogos hacen todos los días». Liao es el primer autor de un nuevo artículo, escrito con colegas investigadores del MIT y los hospitales del área de Boston, que se dará a conocer este otoño en MICAI 2021, una conferencia internacional sobre computación de imágenes médicas.

Aunque la idea de utilizar computadoras para interpretar imágenes no es nueva, el grupo liderado por el MIT está aprovechando un recurso infrautilizado – el vasto cuerpo de informes radiológicos que acompañan a las imágenes médicas, escritos por radiólogos en la práctica clínica habitual – para mejorar las habilidades interpretativas. de algoritmos de aprendizaje automático. El equipo también está utilizando un concepto de teoría de la información llamado información recíproca, una medida estadística de la interdependencia de dos variables diferentes, con el fin de aumentar la efectividad de su enfoque.

Así es como funciona: primero, se entrena una red neuronal para determinar la extensión de una enfermedad, como el edema pulmonar, presentando numerosas imágenes de rayos X de los pulmones de los pacientes, junto con la evaluación de un médico de la gravedad de cada caso. Esta información está encapsulada dentro de una colección de números. Una red neuronal separada hace lo mismo con el texto, representando su información en una colección diferente de números. Luego, una tercera red neuronal integra la información entre imágenes y texto de una manera coordinada que maximiza la información mutua entre los dos conjuntos de datos. «Cuando la información recíproca entre imágenes y texto es alta, esto significa que las imágenes son altamente predictivas de texto y el texto es altamente predictivo de imágenes», explica la profesora del MIT Polina Golland, investigadora principal de CSAIL.

Liao, Golland y sus colegas han introducido otra innovación que confiere varias ventajas: en lugar de trabajar con imágenes completas e informes radiológicos, dividen los informes en oraciones individuales y en las partes de esas imágenes a las que se refieren las oraciones. De esta manera, dice Golland, «la gravedad de la enfermedad se estima con mayor precisión que cuando se ve la imagen y el informe completos. Y debido a que el modelo examina piezas de datos más pequeñas, puede aprender más fácilmente y tiene más campeones en los que entrenar».

Aunque Liao encuentra fascinantes los aspectos de TI de este proyecto, una de las principales motivaciones para él es «desarrollar una tecnología que sea clínicamente significativa y aplicable al mundo real».

El modelo podría tener una aplicabilidad muy amplia, según Golland. “Podría usarse para cualquier tipo de imagen y texto asociado, dentro o fuera del ámbito médico. Este enfoque general también podría aplicarse más allá de las imágenes y el texto, y es emocionante pensar en ello «.

Liao escribió el artículo junto con los postdoctorados de MIT CSAIL Daniel Moyer y Golland; Miriam Cha y Keegan Quigley del Laboratorio Lincoln del MIT; William M. Wells de la Facultad de Medicina de Harvard y MIT CSAIL; y los colaboradores clínicos Seth Berkowitz y Steven Horng del Beth Israel Deaconess Medical Center.

El trabajo fue patrocinado por el NIH NIBIB Neuroimaging Analysis Center, Wistron, MIT-IBM Watson AI Lab, MIT Deshpande Center for Technological Innovation, MIT Abdul Latif Jameel Clinic for Machine Learning in Health (J-Clinic) y MIT Lincoln Lab.