El aprendizaje automático tiene el potencial de promover enormemente las imágenes médicas, particularmente la exploración por tomografía computarizada (TC), reduciendo la exposición a la radiación y mejorando la calidad de la imagen.

Esos nuevos hallazgos de la investigación se publicaron recientemente en Inteligencia de la máquina de la naturaleza por ingenieros del Instituto Politécnico Rensselaer y radiólogos del Hospital General de Massachusetts y la Escuela de Medicina de Harvard.

Según el equipo de investigación, Los resultados publicados en esta revista de alto impacto son un caso sólido para aprovechar el poder de la inteligencia artificial para mejorar las tomografías computarizadas de baja dosis.

"La dosis de radiación ha sido un problema importante para los pacientes que se someten a tomografías computarizadas. Nuestra técnica de aprendizaje automático es superior, o, por lo menos, comparable, a las técnicas iterativas utilizadas en este estudio para permitir la TC de baja dosis de radiación, "dijo Ge Wang, un profesor titular de la cátedra de ingeniería biomédica en Rensselaer, y un autor correspondiente en este artículo. "Es una conclusión de alto nivel que transmite un mensaje poderoso. Es hora de que el aprendizaje automático despegue rápidamente y, Ojalá, tomar el control."

Las técnicas de imágenes por TC de dosis baja han sido un foco importante en los últimos años en un esfuerzo por aliviar las preocupaciones sobre la exposición del paciente a la radiación de rayos X asociada con las tomografías computarizadas ampliamente utilizadas. Sin embargo, la disminución de la radiación puede disminuir la calidad de la imagen.

Para resolver eso, Los ingenieros de todo el mundo han diseñado técnicas de reconstrucción iterativas para ayudar a filtrar y eliminar las interferencias de las imágenes de TC. El problema, Wang dijo:es que esos algoritmos a veces eliminan información útil o alteran falsamente la imagen.

El equipo se propuso abordar este desafío persistente utilizando un marco de aprendizaje automático. Específicamente, desarrollaron una red neuronal profunda dedicada y compararon sus mejores resultados con lo mejor de lo que podían producir tres escáneres de TC comerciales importantes con técnicas de reconstrucción iterativas.

Este trabajo se realizó en estrecha colaboración con el Dr. Mannudeep Kalra, profesor de radiología en el Hospital General de Massachusetts y en la Escuela de Medicina de Harvard, quien también fue autor correspondiente en el artículo.

Los investigadores buscaban determinar cómo se compara el rendimiento de su enfoque de aprendizaje profundo con los algoritmos iterativos representativos seleccionados que se utilizan clínicamente en la actualidad.

Varios radiólogos del Hospital General de Massachusetts y la Escuela de Medicina de Harvard evaluaron todas las imágenes de TC. Los algoritmos de aprendizaje profundo desarrollados por el equipo de Rensselaer funcionaron tan bien como, o mejor que, esas técnicas iterativas actuales en una abrumadora mayoría de casos, Dijo Wang.

Los investigadores descubrieron que su método de aprendizaje profundo también es mucho más rápido, y permite a los radiólogos ajustar las imágenes de acuerdo con los requisitos clínicos, Dijo el Dr. Kalra.

Estos resultados positivos se obtuvieron sin acceso al original, o crudo, datos de todos los escáneres de TC. Wang señaló que si los datos originales de TC están disponibles, un algoritmo de aprendizaje profundo más especializado debería funcionar aún mejor.

"Esto tiene a los radiólogos al tanto, Wang dijo. En otras palabras, esto significa que podemos integrar la inteligencia artificial y la inteligencia humana juntas en el marco de aprendizaje profundo, facilitando la traducción clínica ".

Dijo que estos resultados confirman que el aprendizaje profundo podría ayudar a producir productos más seguros, Imágenes de TC más precisas y al mismo tiempo que se ejecutan más rápidamente que los algoritmos iterativos.

"Estamos muy contentos de mostrarle a la comunidad que los métodos de aprendizaje automático son potencialmente mejores que los métodos tradicionales, ", Dijo Wang." Envía a la comunidad científica una fuerte señal. Deberíamos apostar por el aprendizaje automático ".

Esta investigación realizada por el equipo de Wang se encuentra entre los avances significativos que realizan constantemente los profesores del Centro de Imágenes Biomédicas dentro del Centro de Biotecnología y Estudios Interdisciplinarios (CBIS) en Rensselaer.

"El trabajo del profesor Wang es un excelente ejemplo de cómo los avances en inteligencia artificial, y el aprendizaje profundo y automático pueden mejorar las herramientas y prácticas biomédicas al abordar problemas difíciles, en este caso ayudando a proporcionar imágenes de TC de alta calidad con una dosis de radiación más baja. Los desarrollos transformadores de estos equipos colaborativos conducirán a una medicina más precisa y personalizada, "dijo Deepak Vashishth, director de CBIS.