La capacidad de un radiólogo para realizar diagnósticos precisos a partir de estudios de diagnóstico por imágenes de alta calidad tiene un impacto directo en el resultado del paciente. Sin embargo, Adquirir datos suficientes para generar imágenes de la mejor calidad tiene un costo:mayor dosis de radiación para tomografía computarizada (TC) y tomografía por emisión de positrones (PET) o tiempos de exploración incómodamente largos para imágenes de resonancia magnética (MRI). Ahora, los investigadores del Centro Athinoula A. Martinos de Imágenes Biomédicas del Hospital General de Massachusetts (MGH) han abordado este desafío con una nueva técnica basada en inteligencia artificial y aprendizaje automático. permitiendo a los médicos adquirir imágenes de mayor calidad sin tener que recopilar datos adicionales. Describen la técnica, denominada AUTOMAP (transformación automatizada por aproximación múltiple), en un artículo publicado hoy en la revista. Naturaleza .

"Una parte esencial del proceso de obtención de imágenes clínicas es la reconstrucción de imágenes, que transforma los datos sin procesar que salen del escáner en imágenes para que los radiólogos las evalúen, "dice Bo Zhu, Doctor, becario de investigación en el MGH Martinos Center y primer autor del Naturaleza papel. "El enfoque convencional para la reconstrucción de imágenes utiliza una cadena de módulos de procesamiento de señales hechos a mano que requieren un ajuste de parámetros manual experto y, a menudo, no pueden manejar las imperfecciones de los datos sin procesar, como el ruido. Introducimos un nuevo paradigma en el que el algoritmo correcto de reconstrucción de imágenes se determina automáticamente mediante inteligencia artificial de aprendizaje profundo.

"Con AUTOMAP, hemos enseñado a los sistemas de imágenes a 'ver' la forma en que los humanos aprenden a ver después del nacimiento, no mediante la programación directa del cerebro, sino promoviendo las conexiones neuronales para adaptarse orgánicamente a través del entrenamiento repetido en ejemplos del mundo real, "Zhu explica." Este enfoque permite que nuestros sistemas de imágenes encuentren automáticamente las mejores estrategias computacionales para producir imágenes precisas en una amplia variedad de escenarios de imágenes ".

La técnica representa un importante paso adelante para la obtención de imágenes biomédicas. Al desarrollarlo, los investigadores aprovecharon los muchos avances logrados en los últimos años tanto en los modelos de redes neuronales utilizados para la inteligencia artificial como en las unidades de procesamiento gráfico (GPU) que impulsan las operaciones, Dado que la reconstrucción de imágenes, particularmente en el contexto de AUTOMAP, requiere una inmensa cantidad de cálculos, especialmente durante el entrenamiento de los algoritmos. Otro factor importante fue la disponibilidad de grandes conjuntos de datos ("macrodatos"), que son necesarios para entrenar grandes modelos de redes neuronales como AUTOMAP. Porque capitaliza estos y otros avances, Zhu dice, la técnica no habría sido posible hace cinco años o quizás incluso hace un año.

AUTOMAP ofrece una serie de beneficios potenciales para la atención clínica, incluso más allá de producir imágenes de alta calidad en menos tiempo con resonancia magnética o con dosis más bajas con rayos X, TC y PET. Debido a su velocidad de procesamiento, la técnica podría ayudar a tomar decisiones en tiempo real sobre los protocolos de imágenes mientras el paciente está en el escáner.

"Dado que AUTOMAP se implementa como una red neuronal de retroalimentación, la velocidad de reconstrucción de la imagen es casi instantánea:solo decenas de milisegundos, "dice el autor principal Matt Rosen, Doctor, director del Laboratorio de MRI de campo bajo y medios hiperpolarizados y codirector del Center for Machine Learning en el MGH Martinos Center. "Algunos tipos de escaneos actualmente requieren un procesamiento computacional que requiere mucho tiempo para reconstruir las imágenes. En esos casos, la retroalimentación inmediata no está disponible durante la toma de imágenes inicial, y puede ser necesario repetir el estudio para identificar mejor una sospecha de anomalía. AUTOMAP proporcionaría una reconstrucción instantánea de imágenes para informar el proceso de toma de decisiones durante el escaneo y podría evitar la necesidad de visitas adicionales ".

Notablemente, la técnica también podría ayudar a promover otras aplicaciones de inteligencia artificial y aprendizaje automático. Gran parte del entusiasmo actual en torno al aprendizaje automático en imágenes clínicas se centra en el diagnóstico asistido por computadora. Debido a que estos sistemas se basan en imágenes de alta calidad para evaluaciones de diagnóstico precisas, AUTOMAP podría desempeñar un papel en su avance para uso clínico futuro.

"Nuestro enfoque de IA está mostrando notables mejoras en la precisión y la reducción de ruido y, por lo tanto, puede avanzar en una amplia gama de aplicaciones, ", Dice Rosen." Estamos increíblemente emocionados de tener la oportunidad de implementar esto en el espacio clínico donde AUTOMAP puede trabajar junto con computadoras económicas aceleradas por GPU para mejorar las imágenes y los resultados clínicos ".