Machine Learning más allá de la interpretación de imágenes radiológicas

En publicaciones recientes se ha comentado la importancia que ha tenido el Aprendizaje Máquina (Machine Learning, en inglés) e Inteligencia Artificial. Descritas como herramienta de diagnóstico preliminar al momento de evaluar imágenes; viéndose incrementado el uso de esta aplicación, por la situación global suscitada el año 2020. En la cual, por algoritmos de Inteligencia Artificial, se podía determinar si un paciente era positivo o no de la COVID-19.

Sin embargo, Lakhani et al (2018) exponen otras aplicaciones distintas del Machine Learnign en el mundo de la radiología, algunas de estas aplicaciones son:

Entender mejor los reportes de radiología:

• Si bien pueden llegar a ver estándares de plantillas (como RadReport) o de vocabulario para poder interpretar mejor un reporte radiológico, siempre se está sujeto a la subjetiva comprensión del lector. Para resolver el problema de la subjetividad, se han propuesto algoritmos de Procesamiento de Lenguaje Natural (NLP, por sus siglas en inglés), los cuales extraigan la información más relevante de los Reportes Médicos Electrónicos (EMR, por sus siglas en inglés), para poder comprender mejor la imagen presentada.

Búsqueda:

• Normalmente estamos acostumbrados a insertar texto en nuestro motor de búsqueda favorito, para que este nos brinde la información que nos interesa; sin embargo, gracias a la Inteligencia Artificial se podría insertar una imagen médica, y se le brindaría imágenes similares, las cuales contengan información parecida, al igual que el reporte de procedencia.

Resolución:

• En este punto los autores brindan varios casos, pero se tratará de resumir. Al referirse a la resolución, se espera que la Inteligencia Artificial permita realizar una imagen de buena resolución, pero la cual reduzca los niveles de radiación necesaria para su realización. Así mismo, si se requiere un menor periodo de tiempo, se espera que la IA, permita reconstruir la imagen, sin que esta se vea afectada por un menor número de muestras.

Diseño:

• Uno de los aparatados más importantes al momento de realizar una investigación, es diseñar el aparatado experimental, es por esto por lo que, al momento de realizar los protocolos pertinentes, puede consumir tiempo valioso del personal, es por esto por lo que, gracias a algoritmos de Machine Learning se puede determinar los protocolos pertinentes.

Si bien, se piensa que las máquinas tienen una gran capacidad analítica de aprendizaje, en realidad ellas realmente todavía no pueden razonar como nosotros para comprender el panorama completo, tal como lo expuesto en entradas anteriores. Sin embargo, tienen una velocidad de procesamiento mayor al cerebro humano, haciendo que, si bien puedan parecer “torpes” en un inicio, este procesamiento, permite implementar algoritmos de Machine Learning, los cuales puedan entrenarlas, y posteriormente, se implemente una IA, tras el aprendizaje realizado (con supervisión o sin supervisión).

Lakhani, P., Prater, A. B., Hutson, R. K., Andriole, K. P., Dreyer, K. J., Morey, J., Prevedello, L. M., Clark, T. J., Geis, J. R., Itri, J. N., & Hawkins, C. M. (2018). Machine Learning in Radiology: Applications Beyond Image Interpretation. Journal of the American College of Radiology : JACR, 15(2), 350–359. https://doi.org/10.1016/j.jacr.2017.09.044