• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  • Entrenamiento de inteligencia artificial con rayos X artificiales

    A la izquierda de cada cuadrante hay una imagen de rayos X real del tórax de un paciente y al lado, la radiografía sintetizada formulada por la DCGAN. Debajo de las imágenes de rayos X hay mapas de calor correspondientes, que es cómo el sistema de aprendizaje automático ve las imágenes. Crédito:Hojjat Salehinejad / MIMLab

    La inteligencia artificial (IA) tiene un potencial real para mejorar tanto la velocidad como la precisión de los diagnósticos médicos. Pero antes de que los médicos puedan aprovechar el poder de la IA para identificar condiciones en imágenes como rayos X, tienen que "enseñar" a los algoritmos qué buscar.

    La identificación de patologías raras en imágenes médicas ha presentado un desafío persistente para los investigadores, debido a la escasez de imágenes que se pueden utilizar para entrenar sistemas de IA en un entorno de aprendizaje supervisado.

    El profesor Shahrokh Valaee y su equipo han diseñado un nuevo enfoque:usar el aprendizaje automático para crear rayos X generados por computadora para aumentar los conjuntos de entrenamiento de IA.

    "En un sentido, utilizamos el aprendizaje automático para realizar el aprendizaje automático, "dice Valaee, profesor del Departamento de Ingeniería Eléctrica e Informática (ECE) de Edward S. Rogers Sr. en la Universidad de Toronto. "Estamos creando rayos X simulados que reflejan ciertas condiciones raras para que podamos combinarlos con rayos X reales para tener una base de datos lo suficientemente grande para entrenar las redes neuronales para identificar estas condiciones en otros rayos X".

    Valaee es miembro del Laboratorio de Inteligencia Artificial en Medicina (MIMLab), un grupo de médicos, científicos e investigadores de ingeniería que combinan su experiencia en el procesamiento de imágenes, inteligencia artificial y medicina para resolver desafíos médicos. "La IA tiene el potencial de ayudar de muchas formas en el campo de la medicina, ", dice Valaee." Pero para hacer esto necesitamos una gran cantidad de datos, las miles de imágenes etiquetadas que necesitamos para que estos sistemas funcionen simplemente no existen para algunas condiciones raras ".

    Para crear estas radiografías artificiales, el equipo utiliza una técnica de inteligencia artificial llamada red de adversario generativa convolucional profunda (DCGAN) para generar y mejorar continuamente las imágenes simuladas. Las GAN son un tipo de algoritmo formado por dos redes:una que genera las imágenes y la otra que intenta discriminar imágenes sintéticas de imágenes reales. Las dos redes están entrenadas hasta el punto de que el discriminador no puede diferenciar imágenes reales de sintetizadas. Una vez que se crea una cantidad suficiente de radiografías artificiales, se combinan con rayos X reales para entrenar una red neuronal convolucional profunda, que luego clasifica las imágenes como normales o identifica una serie de condiciones.

    "Hemos podido demostrar que los datos artificiales generados por una GAN convolucional profunda se pueden utilizar para aumentar conjuntos de datos reales, ", dice Valaee. Esto proporciona una mayor cantidad de datos para el entrenamiento y mejora el rendimiento de estos sistemas en la identificación de condiciones raras".

    Profesor Shahrokh Valaee (ECE, a la izquierda) y el candidato a doctorado Hojjat Salehinejad están utilizando el aprendizaje automático para crear imágenes de rayos X de tórax simuladas para entrenar sistemas de inteligencia artificial para identificar patologías raras. Crédito:Jessica MacInnis

    El MIMLab comparó la precisión de su conjunto de datos aumentado con el conjunto de datos original cuando se alimenta a través de su sistema de inteligencia artificial y descubrió que la precisión de la clasificación mejoró en un 20 por ciento para las condiciones comunes. Para algunas condiciones raras, la precisión mejoró hasta aproximadamente un 40 por ciento, y debido a que los rayos X sintetizados no provienen de personas reales, el conjunto de datos puede estar fácilmente disponible para los investigadores fuera de las instalaciones del hospital sin violar las preocupaciones de privacidad.

    "Es emocionante porque hemos podido superar un obstáculo en la aplicación de la inteligencia artificial a la medicina al demostrar que estos conjuntos de datos aumentados ayudan a mejorar la precisión de la clasificación, ", dice Valaee." El aprendizaje profundo solo funciona si el volumen de datos de entrenamiento es lo suficientemente grande y esta es una forma de garantizar que tenemos redes neuronales que pueden clasificar imágenes con alta precisión ".


    © Ciencia https://es.scienceaq.com