Inteligencia artificial, aprendizaje automático, diagnóstico asistido por ordenador diagnóstico y la radiómica: avances en la imagen hacia a la medicina de precisión.
Los sistemas de diagnóstico asistido por ordenador (CAD) se han desarrollado con el objetivo de mejorar la precisión de los exámenes, aumentar la consistencia en la interpretación de las imágenes, ayudar a la evaluación del pronóstico y apoyar el proceso de toma de decisiones terapéuticas. Con la llegada de la inteligencia artificial y el «big data», estamos avanzando y ampliando el uso de las herramientas CAD en la rutina diaria de los médicos, haciendo que cada paciente sea único, y llevando la radiología hacia el enfoque multidisciplinar y medicina de precisión.
La base de la radiología es el sistema de archivo y comunicación de imágenes (PACS), es un medio para recibir imágenes en el formato estándar de imagen y comunicación digital en medicina (DICOM) desde los distintos dispositivos de adquisición (radiografía convencional, ecografía, TAC y resonancia magnética), ponerlas a disposición de los especialistas o de otros sistemas informáticos y almacenarlas de forma organizada en grandes bases de datos. La integración de los PACS con los sistemas de información clínica también ha permitido el desarrollo de diversos modelos CAD.
¿Cómo sucede el procesamiento de imágenes?
Uno de los pasos clave en el procesamiento y análisis de imágenes es la segmentación. Los cuales, se basan en las propiedades básicas de los niveles de gris, la discontinuidad (bordes) o la similitud (tras establecer umbrales o utilizar un algoritmo de crecimiento de la región). Consecuentemente, el proceso de segmentación puede ser manual, semiautomatizado (el usuario interviene en algún momento del proceso) o totalmente automatizado.
Por un lado, el proceso de extracción de características consiste en calcular valores numéricos (descriptores) que representan el contenido visual de una imagen. Se clasifican en tres grupos principales: nivel de gris, textura y forma. La extracción de características de nivel de gris es la técnica más utilizada.
Por otro lado, la selección de características relevantes es otro paso importante. Es necesario seleccionar las características más relevantes según la clase de investigación clínica (diagnóstico o resultado). La mayoría de los algoritmos utilizan recursos de aprendizaje automático (ML), y algunos utilizando redes neuronales artificiales (ANN).
¿Cómo se categorizan las imágenes?
La clasificación de imágenes suele consistir en definir la imagen dentro de una categoría como normal o patológico. De las áreas más estudiadas en inteligencia artificial y clasificación de imágenes es el aprendizaje automático. Los métodos de aprendizaje automático se han aplicado con diversas modalidades de imagen, utilizando una variedad de características, con herramientas como CAD y radiomics.
¿Cómo funciona la IA y aprendizaje profundo a la radiología?
Además, el desarrollo de un método de aprendizaje automático implica crear una función de entrenamiento para un conjunto de datos (los vectores de características, en el caso de la clasificación de imágenes) y hacer uso de la inferencia lógica. Uno de los métodos de aprendizaje automático más tradicionales es el de las RNA; el más conocido es el perceptrón multicapa (MLP).
Una de las áreas de la inteligencia artificial es el aprendizaje profundo. El método más conocido en medicina es el que implica una red neuronal convolucional (CNN). Se compone de tres tipos de capas: la primera (capa convolucional) detecta y extrae características; la segunda (capa de pooling) selecciona y reduce la cantidad de características. No obstante, la tercera (capa totalmente conectada) sirve para integrar todas las características extraídas por las capas anteriores, normalmente utilizando una red neuronal tipo MLP para realizar la clasificación final de la imagen, que viene dada por la predicción de la clase más probable.
¿Que beneficios aportan a la radiología?
Las herramientas que emplean la inteligencia artificial, el aprendizaje automático y el aprendizaje profundo pueden utilizarse de diferentes maneras para analizar imágenes. En el campo de la radiología y el diagnóstico por imagen, estas herramientas se han aplicado principalmente en CAD, recuperación de imágenes basada en el contenido (CBIR) y radiómica/radiogenómica.
En conclusión, la radiología ha experimentado importantes avances gracias a la revolución tecnológica que se está produciendo en el mundo. La maduración de los modelos computacionales ha proporcionado apoyo a los procesos de toma de decisiones clínicas y de predicción del pronóstico. Creemos que la inteligencia artificial, el aprendizaje automático, el diagnóstico asistido por ordenador y la radiómica cambiarán la forma de trabajar de los radiólogos y otros especialistas en imagen y es probable que, en un futuro muy cercano, cambien la perspectiva que todos los profesionales de la salud tienen de su trabajo.
Santos, Marcel Koenigkam et al. Artificial intelligence, machine learning, computer-aided diagnosis, and radiomics: advances in imaging towards to precision medicine. Radiologia Brasileira [online]. 2019, v. 52, n. 06 [Accessed 16 July 2021] , pp. 387-396. https://doi.org/10.1590/0100-3984.2019.0049>. Epub 23 Sept 2019. ISSN 1678-7099. https://doi.org/10.1590/0100-3984.2019.0049.
