Cuando AlphaGo de Google DeepMind derrotó sorprendentemente al legendario jugador de Go Lee Sedol en 2016, los términos inteligencia artificial (IA), El aprendizaje automático y el aprendizaje profundo se impulsaron hacia la corriente tecnológica dominante.

La IA se define generalmente como la capacidad de una computadora o máquina para exhibir o simular un comportamiento inteligente, como el automóvil autónomo de Tesla y el asistente digital de Apple, Siri. Es un campo próspero y el foco de mucha investigación e inversión. El aprendizaje automático es la capacidad de un sistema de inteligencia artificial para extraer información de datos sin procesar y aprender a hacer predicciones a partir de datos nuevos.

El aprendizaje profundo combina la inteligencia artificial con el aprendizaje automático. Se trata de algoritmos inspirados en la estructura y función del cerebro llamados redes neuronales artificiales. El aprendizaje profundo ha recibido mucha atención últimamente tanto en el mundo del consumidor como en la comunidad médica.

El interés en el aprendizaje profundo aumentó con el éxito de AlexNet, una red neuronal diseñada por Alex Krizhevsky que ganó el 2012 ImageNet Large Scale Visual Recognition Challenge, un concurso anual de clasificación de imágenes.

Otro avance relativamente reciente es el uso de unidades de procesamiento gráfico (GPU) para impulsar los algoritmos de aprendizaje profundo. Las GPU sobresalen en los cálculos (multiplicaciones y adiciones) necesarios para aplicaciones de aprendizaje profundo, reduciendo así el tiempo de procesamiento de la aplicación.

En nuestro laboratorio de la Universidad de Saskatchewan, estamos realizando una interesante investigación de aprendizaje profundo relacionada con las aplicaciones sanitarias y, como profesor de ingeniería eléctrica e informática, Dirijo el equipo de investigación. Cuando se trata de atención médica, el uso de inteligencia artificial o aprendizaje automático para realizar diagnósticos es nuevo, y ha habido un progreso emocionante y prometedor.

Extracción de vasos sanguíneos en el ojo.

La detección de vasos sanguíneos retinianos anormales es útil para diagnosticar diabetes y enfermedades cardíacas. Para proporcionar interpretaciones médicas confiables y significativas, el vaso retiniano debe extraerse de una imagen retiniana para obtener interpretaciones confiables y significativas. Aunque la segmentación manual es posible, es un complejo, Tarea tediosa y que requiere mucho tiempo y que requiere habilidades profesionales avanzadas.

Mi equipo de investigación ha desarrollado un sistema que puede segmentar los vasos sanguíneos de la retina simplemente leyendo una imagen retiniana sin procesar. Es un sistema de diagnóstico asistido por computadora que reduce el trabajo requerido por los especialistas en atención ocular y los oftalmólogos, y procesa imágenes 10 veces más rápido, manteniendo una alta precisión.

Detectando el cáncer de pulmón

La tomografía computarizada (TC) se usa ampliamente para el diagnóstico de cáncer de pulmón. Sin embargo, porque las representaciones visuales de lesiones benignas (no cancerosas) y malignas (cancerosas) en las tomografías computarizadas son similares, una tomografía computarizada no siempre puede proporcionar un diagnóstico confiable. Esto es cierto incluso para un radiólogo torácico con muchos años de experiencia. El rápido crecimiento del análisis de tomografía computarizada ha generado una necesidad urgente de herramientas computacionales avanzadas para ayudar a los radiólogos con el progreso de la detección.

Para mejorar el rendimiento diagnóstico de los radiólogos, hemos propuesto una solución de aprendizaje profundo. Según los resultados de nuestra investigación, nuestra solución supera a los radiólogos experimentados. Es más, El uso de una solución basada en el aprendizaje profundo mejora el rendimiento del diagnóstico en general y los radiólogos con menos experiencia son los que más se benefician del sistema.

Limitaciones y desafíos

Aunque se ha demostrado una gran promesa con los algoritmos de aprendizaje profundo en una variedad de tareas en radiología y medicina, estos sistemas están lejos de ser perfectos. La obtención de conjuntos de datos anotados de alta calidad seguirá siendo un desafío para la capacitación en aprendizaje profundo. La mayoría de las investigaciones sobre visión por computadora se basan en imágenes naturales, pero para aplicaciones sanitarias, necesitamos grandes conjuntos de datos de imágenes médicas anotadas.

Otro desafío desde el punto de vista clínico será el momento de probar qué tan bien funcionan las técnicas de aprendizaje profundo en contraste con los radiólogos humanos.

Es necesario que haya más colaboración entre los médicos y los científicos de aprendizaje automático. El alto grado de complejidad de la fisiología humana también será un desafío para las técnicas de aprendizaje automático.

Otro desafío son los requisitos para validar un sistema de aprendizaje profundo para la implementación clínica, lo que probablemente requeriría colaboración multiinstitucional y grandes conjuntos de datos. Finalmente, Se requiere una plataforma de hardware eficiente para garantizar un procesamiento rápido de los sistemas de aprendizaje profundo.

En el complejo mundo de la salud, Las herramientas de inteligencia artificial pueden ayudar a los profesionales humanos a proporcionar un servicio más rápido y diagnósticos más precisos. y analizar datos para identificar tendencias o información genética que pueda predisponer a alguien a una enfermedad en particular. Cuando ahorrar minutos puede significar salvar vidas, La inteligencia artificial y el aprendizaje automático pueden ser transformadores para los trabajadores de la salud y los pacientes.

Este artículo se ha vuelto a publicar de The Conversation con una licencia de Creative Commons. Lea el artículo original.