Nueva Técnica de Etiquetado Masivo de Imágenes de Resonancia Magnética en Minutos Utilizando Deep Learning
El reconocimiento de imágenes en radiología debe de ser actualizado y los sistemas de visión por computadora de aprendizaje profundo están preparados para comenzar la revolución. Sin embargo, el progreso de estos sistemas se ha visto limitado. Debido a que durante el entrenamiento de las redes neuronales artificiales se requieren decenas de miles de imágenes etiquetadas para lograr el mejor rendimiento posible. Aunado al hecho de que asignar etiquetas de radiología, especialmente en reportes de resonancia magnética (MRI); es una tarea muy compleja que requiere de expertos en el área.
Pedirles a los radiólogos que dediquen tiempo a generar bases de datos con imágenes etiquetadas de MRI para investigación parece ser particularmente difícil cuando en la última década ha aumentado la demanda de escaneos con esta técnica. Además de las presiones que existen en los servicios médicos en muchos países. Por ello Wood et al, expertos en imagenología de Londres; han desarrollado un modelo que asigna etiquetas de forma automática a 121,556 exámenes de adultos en menos de 30 min.
El propósito del estudio fue aprovechar los avances recientes para crear un modelo de procesamiento de lenguaje natural (NLP) de última generación para automatizar el etiquetado de una gran cantidad de imágenes de neuro radiología por MRI. Estas imágenes podrían ser utilizadas en el entrenamiento posterior de modelos de visión computarizada de aprendizaje profundo o “deep learning” para producir sistemas de detección de anomalías.
¿Cómo se utilizó el modelo?
El modelo fue probado al comparar las etiquetas predichas basadas en reportes de radiología con las etiquetas generadas manualmente por un equipo de 17 neuro radiólogos expertos. Los reportes de radiología fueron obtenidos del Sistema Computarizado de Información Radiológica (CRIS por sus siglas en inglés); y las imágenes fueron extraídas de las estaciones de trabajo (Sectra) del Sistema de Archivos y Comunicación del Paciente (PACS). Todas las exploraciones de MRI de cabeza (126,556) se llevaron a cabo en el King’s College Hospital NHS Foundation Trust entre 2008 y 2019.
Los reportes de radiología pueden ser muy diferentes para un solo caso, ya sea por su estilo o estructura. Para que éste hecho no disminuyera la precisión del modelo, los autores utilizaron BioBERT. Un modelo de lenguaje preentrenado en corpus biomédicos a gran escala que convierte los tokens de texto o las palabras en vectores.
¿Qué logró el clasificador?
El clasificador diseñado logró asignar etiquetas binarias, es decir normal o anormal, a las imágenes con una gran precisión. Por otro lado, las etiquetas relacionadas con características granulares en caso de existir una anomalía, de las cuales se seleccionaron 7 (ictus agudo, masa, atrofia, anomalía vascular, enfermedad de vasos pequeños, inflamación de sustancia blanca y encefalomalacia); presentaron una precisión menor en encefalomalacia, anomalía vascular y atrofia.
Wood y sus compañeros aseguran que los resultados obtenidos en su investigación superan un cuello de botella crítico para el desarrollo de los sistemas de visión computarizada utilizando deep learning para las tareas de reconocimiento de imágenes en radiología. Este modelo está disponible de forma gratuita para todos los lectores en el artículo original. Sin duda representa una oportunidad para el desarrollo de nuevas aplicaciones y una herramienta para muchos investigadores.
Wood, D.A., Kafiabadi, S., Al Busaidi, A. et al. (2021) Deep learning to automate the labelling of head MRI datasets for computer vision applications. Eur Radiol. Published. https://doi.org/10.1007/s00330-021-08132-0
