Aplicaciones actuales e impacto del Machine Learning en radiología en el futuro
El Machine Learning ̶ aprendizaje automático ̶ es un mecanismo que le brinda a los equipos la posibilidad de aprender sin tener que programarse con reglas explícitas, permitiendo que se generen algoritmos que no solo aprendan sino que también hagan predicciones. Además, tiene un continuo mejoramiento a través de la experiencia y aprovechamiento de una mayor cantidad de conjuntos de datos.
Adquisición de imágenes
Gracias a este mecanismo los sistemas de imagen se pueden volver inteligentes de forma que el procesamiento de datos podría: aumentar la velocidad en la que se obtienen las imágenes; disminuir aquellas que no sean necesarias; optimizar el posicionamiento y la caracterización de los resultados.
Detección e interpretación automatizada de hallazgos
Con investigaciones para la detección automatizada de hallazgos en imágenes radiológicas, se ha descubierto que es posible extraer hallazgos fortuitos como lo son los de nódulos tiroideos, así como la detección de neumotórax, fracturas y laceraciones de órganos. En esta área también se encuentran aplicaciones como el diagnóstico del cáncer de mama, especialmente las imágenes mamarias (en mamografía, resonancia magnética y tomosíntesis); la reducción de falsos positivos de nódulos pulmonares; detección de cáncer de próstata; identificación de la escala de calcio en las arterias coronarias; y la delimitación de daños cerebrales.
En cuanto a la interpretación de los hallazgos, es preciso que la máquina tenga un amplio conocimiento adquirido de los datos. Para ello se han implementado sistemas con la capacidad de localizar anomalías que pueden llegar a ser críticas en las imágenes. Esto, para facilitar la interpretación de los radiólogos y aumentar su precisión.
Postprocesamiento (segmentación de imágenes)
Para que exista una buena extracción de datos clínicos significativos, es importante hacer un registro y una segmentación de imágenes. Por lo general, esta segmentación se puede llevar a cabo con densidades mamarias, órganos del cuerpo y tejidos (articulares y musculoesqueléticos). Esto permitiría hacer una delimitación y evaluaciones a nivel cuantitativo de las estructuras y ciertas lesiones cerebrales. Asimismo, se pueden sintetizar imágenes intermodales y hacer un registro de estas para realizar comparaciones o sustracciones de las mismas.
Evaluación de la calidad de imagen
Teniendo en cuenta que para hacer una evaluación de una cantidad grande de imágenes se necesita de un tiempo considerable, el desarrollo de observadores numéricos de Machine Learning ha sido esencial pues optimiza los parámetros necesarios para valorar la calidad de una imagen. En la actualidad se ha estudiado su aplicación para evaluar imágenes de resonancias magnéticas del hígado y de TC de dosis bajas y rutinarias.
Informes y análisis radiológicos
A partir de los informes radiológicos es que se puede realizar una extracción de datos necesaria para diversas cosas como un control de calidad, monitoreo del rendimiento, categorización de mediciones, extracción de terminologías y mejorar la administración de las recomendaciones que se dan para un seguimiento de casos clínicos.
Traducido y adaptado de: Choy, G., Khalilzadeh, O., Michalski, M., Do, S., Samir, A. E., Pianykh, O. S., … & Dreyer, K. J. (2018). Current applications and future impact of machine learning in radiology. Radiology, 288(2), 318-328.
