Las imágenes pueden valer más que mil palabras, pero con imágenes médicas, eso es un eufemismo. Las imágenes digitales de biopsias son especialmente valiosas para diagnosticar y rastrear la progresión de ciertas enfermedades, como la enfermedad renal crónica y el cáncer.

Herramientas computacionales llamadas redes neuronales, que se centran en el reconocimiento de patrones complejos, son adecuados para este tipo de aplicaciones. Pero debido a que el aprendizaje automático es tan complejo, Los profesionales médicos suelen confiar en los ingenieros informáticos para "entrenar" o modificar las redes neuronales para anotar o interpretar correctamente las imágenes médicas.

Ahora, Los investigadores de la Universidad de Buffalo han desarrollado una herramienta que permite a los profesionales médicos analizar imágenes sin experiencia en ingeniería. La herramienta y los datos de imagen que se utilizaron para su desarrollo están disponibles públicamente en:https://github.com/SarderLab/H-AI-L

La técnica fue descrita en un artículo publicado en Inteligencia de la máquina de la naturaleza el 11 de febrero. Se espera que sea aplicable para digitalizar imágenes médicas de cualquier órgano, los investigadores demostraron la herramienta con imágenes histológicas de enfermedad renal crónica e imágenes de resonancia magnética de la glándula prostática humana.

"Hemos creado un herramienta de segmentación de humanos en el circuito para patólogos y radiólogos, "dijo Pinaki Sarder, Doctor., autor principal y correspondiente, y profesor adjunto del Departamento de Patología y Ciencias Anatómicas de la Facultad de Medicina y Ciencias Biomédicas Jacobs de la UB. El autor principal del artículo es Brendon Lutnick, un candidato a doctorado en la Escuela Jacobs que trabaja en la investigación de su tesis bajo la supervisión de Sarder.

Interfaz intuitiva

Diseñado con lo que los investigadores llaman una interfaz intuitiva, la herramienta mejora automáticamente la anotación y la segmentación de imágenes médicas en función de lo que "aprende" de la forma en que el usuario humano interactúa con el sistema.

"Con nuestro sistema, no es necesario que conozcas ningún aprendizaje automático, ", dijo Sarder." Ahora los profesionales médicos pueden realizar anotaciones de estructura por sí mismos.

"La técnica permite a los profesionales médicos por primera vez utilizar sus propias herramientas familiares, como un visor de diapositivas completo de uso común para la anotación de imágenes, sin perderse en la traducción de la jerga del aprendizaje automático, " él dijo.

Lutnick explicó que el sistema está diseñado para mejorar su rendimiento, ya que está "entrenado" en el mismo conjunto de datos. "Quieres entrenarlo en tu propio conjunto de datos de forma iterativa, ", explicó." Esto optimiza la carga de trabajo del anotador experto a medida que el sistema se vuelve más eficiente cada vez que lo usa ".

El sistema mejora iterativamente, esencialmente, aprender cada vez que el profesional médico vuelve a trazar un límite en una imagen para señalar una estructura o anomalía en particular.

Una mejor forma de predecir la progresión de la enfermedad

El objetivo final es una comprensión más precisa del estado de enfermedad de un paciente. "Cuando se hace una biopsia, desea averiguar las características de la imagen y lo que le dicen sobre la progresión de la enfermedad, "dijo Sarder.

Explicó que, por ejemplo, un área de color rojo más oscuro en una imagen del glomérulo en el riñón, donde los productos de desecho se filtran de la sangre, indica esclerosis, lo que puede indicar que la enfermedad ha progresado. Cuanto más precisamente se puedan definir los límites de esas áreas, cuanto mejor sea la comprensión de la etapa de la enfermedad en la que se encuentra el paciente y cómo puede progresar en el futuro.

"El sistema funciona mejor cada vez, "Lutnick dijo, "por lo que la carga de las personas que operan la máquina se reduce con cada iteración. Cada vez que el individuo vuelve a dibujar un límite en una muestra, el sistema está aprendiendo. En tono rimbombante, esta interacción permite que el ser humano comprenda las debilidades de la máquina a medida que aprende ".