Los médicos podrían obtener pronto ayuda de una herramienta de inteligencia artificial al diagnosticar aneurismas cerebrales: protuberancias en los vasos sanguíneos del cerebro que pueden filtrarse o estallar, lo que podría provocar apoplejía, daño cerebral o la muerte.
La herramienta de IA, desarrollada por investigadores de la Universidad de Stanford y detallada en un artículo publicado en JAMA Network Open, destaca las áreas de un escáner cerebral que probablemente contengan un aneurisma.
"Ha habido mucha preocupación sobre cómo funcionará realmente el aprendizaje automático en el campo de la medicina", dijo Allison Park, una estudiante graduada de Stanford en estadística y autora principal del artículo. "Esta investigación es un ejemplo de cómo los humanos se mantienen involucrados en el proceso de diagnóstico, ayudado por una herramienta de inteligencia artificial".
Esta herramienta, que se basa en un algoritmo llamado HeadXNet, mejoró la capacidad de los médicos clínicos para identificar correctamente los aneurismas a un nivel equivalente a encontrar seis aneurismas más en 100 exploraciones que contienen aneurismas. También mejoró el consenso entre los clínicos interpretadores. Si bien el éxito de HeadXNet en estos experimentos es prometedor, el equipo de investigadores, que tienen experiencia en aprendizaje automático, radiología y neurocirugía, advierte que se necesita más investigación para evaluar la generalización de la herramienta de AI antes del despliegue clínico en tiempo real, dadas las diferencias en Hardware de escáner y protocolos de imagen en diferentes centros hospitalarios. Los investigadores planean abordar estos problemas a través de la colaboración multicéntrica.
Experiencia aumentada
Combinar escaneos cerebrales en busca de signos de un aneurisma puede significar desplazarse por cientos de imágenes. Los aneurismas vienen en muchos tamaños y formas y se inflan en ángulos complicados, algunos se registran como una simple señal dentro de la sucesión de imágenes de película.
"La búsqueda de un aneurisma es una de las tareas más críticas y laboriosas que realizan los radiólogos", dijo Kristen Yeom, profesora asociada de radiología y autora principal del artículo. "Dados los desafíos inherentes de la anatomía neurovascular compleja y el posible resultado fatal de un aneurisma perdido, me impulsó a aplicar los avances en informática y visión para la neuroimagen".
Yeom llevó la idea al AI para Healthcare Bootcamp, dirigido por Machine Learning Group de Stanford, dirigido por Andrew Ng, profesor adjunto de informática y coautor del artículo. El desafío central fue crear una herramienta de inteligencia artificial que pudiera procesar con precisión estas grandes pilas de imágenes en 3D y complementar la práctica de diagnóstico clínico.
Para entrenar su algoritmo, Yeom trabajó con Park y Christopher Chute, un estudiante graduado en ciencias de la computación, y describió aneurismas clínicamente significativos detectables en 611 tomografías computarizadas (TC) tomografías computarizadas de angiogramas.
"Etiquetamos, a mano, cada vóxel, el 3D equivalente a un píxel, con si era o no parte de un aneurisma", dijo Chute, quien también es co-autor principal del artículo. "La construcción de los datos de entrenamiento fue una tarea bastante ardua y hubo muchos datos".
Después del entrenamiento, el algoritmo decide para cada vóxel de una exploración si hay un aneurisma presente. El resultado final de la herramienta HeadXNet son las conclusiones del algoritmo superpuestas como un resaltado semitransparente en la parte superior de la exploración. Esta representación de la decisión del algoritmo facilita que los clínicos aún vean cómo se ven los escaneos sin la entrada de HeadXNet.
"Nos interesaba cómo estas exploraciones con superposiciones de AI añadidas mejorarían el rendimiento de los clínicos", dijo Pranav Rajpurkar, un estudiante graduado en ciencias de la computación y coautor del artículo. "En lugar de simplemente hacer que el algoritmo diga que una exploración contenía un aneurisma, pudimos llamar la atención del médico sobre las ubicaciones exactas de los aneurismas".
Ocho clínicos probaron HeadXNet al evaluar un conjunto de 115 exploraciones cerebrales para detectar un aneurisma, una vez con la ayuda de HeadXNet y una vez sin. Con la herramienta, los clínicos identificaron correctamente más aneurismas y, por lo tanto, redujeron la tasa de "pérdida", y era más probable que los clínicos coincidieran entre sí. HeadXNet no influyó en el tiempo que tardaron los médicos en decidir sobre un diagnóstico o su capacidad para identificar correctamente las exploraciones sin aneurismas, lo que evita que se le diga a alguien que tiene un aneurisma cuando no lo hacen.
A otras tareas e instituciones.
Los métodos de aprendizaje automático en el corazón de HeadXNet probablemente podrían ser entrenados para identificar otras enfermedades dentro y fuera del cerebro. Por ejemplo, Yeom imagina que una versión futura podría centrarse en acelerar la identificación de aneurismas después de que hayan estallado, ahorrando un tiempo precioso en una situación urgente. Pero sigue habiendo un obstáculo considerable en la integración de cualquier herramienta médica de inteligencia artificial con el flujo de trabajo clínico diario en radiología en todos los hospitales.
Los visores de escaneo actuales no están diseñados para funcionar con asistencia de aprendizaje profundo, por lo que los investigadores tuvieron que crear herramientas personalizadas para integrar HeadXNet en los visores de escaneo. De manera similar, las variaciones en los datos del mundo real, a diferencia de los datos en los que se prueba y entrena el algoritmo, podrían reducir el rendimiento del modelo. Si el algoritmo procesa datos de diferentes tipos de escáneres o protocolos de imágenes, o una población de pacientes que no formó parte de su entrenamiento original, es posible que no funcione como se esperaba.
"Debido a estos problemas, creo que la implementación vendrá más rápido, no solo con la automatización de la IA, sino con la colaboración de los radiólogos y la inteligencia artificial", dijo Ng. "Todavía tenemos trabajo técnico y no técnico, pero nosotros, como comunidad, llegaremos allí y la colaboración radiológica de AI es el camino más prometedor".
