Activa las notificaciones para estar al tanto de lo más nuevo en tecnología.

Algoritmos que diagnostican mejor la neumonía que los radiólogos

Los sistemas automatizados parecen no tener limitaciones y ahora se presentan algoritmos que pueden diagnosticar pacientes con neumonía de mejor manera que los propios radiólogos humanos.

Investigadores de Stanford han desarrollado un algoritmo que ofrece diagnósticos basados en la revisión de imágenes de rayos X del tórax. Puede diagnosticar hasta 14 condiciones médicas y es capaz de diagnosticar neumonía mejor que los expertos radiólogos humanos.

En un artículo sobre el algoritmo bautizado como CheXNet, publicado el 14 de noviembre en el sitio arXiv, se indica que “interpretar las imágenes de rayos X para diagnosticar patologías como la neumonía es algo muy difícil y ahora además, sabemos que hay una gran variabilidad entre los propios radiólogos”, dice Pranav Rajpurkar, un estudiante graduado del Grupo de Aprendizaje de Máquinas de Stanford y co-autor del artículo. “Nos interesamos en desarrollar algoritmos de aprendizaje que pudiesen aprender de los cientos de miles de diagnósticos de rayos X y hacer que dichos diagnósticos fuesen precisos”.

El trabajo usa datos públicos liberados inicialmente por los Institutos Nacionales de los Centros de Salud Clínica. Estos datos contienen 112,120 vistas frontales de imágenes de rayos X de tórax en donde se han etiquetado 14 posibles patologías. Se generó un algoritmo que podía diagnosticar algunas de las patologías con cierto éxito, diseñado para promover que otros trabajaran en ese trabajo. Cuando se tuvo este material, el grupo de aprendizaje de máquinas, liderado por Andrew Ng, se entendió que se tenía un nuevo proyecto en el cual trabajar.

Los investigadores trabajaron con Matthew Lungren, médico y profesor de radiología en la Escuela de medicina, en donde con cuatro radiólogos de Stanford, de manera independiente, anotaron 420 imágenes en donde había indicios de neumonía. Los investigadores dijeron que se enfocaron en esta enfermedad que lleva a 1 millón de estadounidenses al hospital cada año. Además, muchas veces el diagnóstico a partir de una placa de rayos X no es lo suficientemente preciso.

Algoritmos y problemas de aprendizaje en la inteligencia artificial

Mientras tanto, en el grupo de Stanford, se desarrolló un algoritmo que pretendía diagnosticar las patologías de forma automática. Bastó una semana para que el algoritmo pudiese diagnosticar 10 de las 14 patologías de forma automática. En solo un mes, el algoritmo venció todos los estándares al identificar las 14 patologías. CheXNet además, superó a los cuatro radiólogos de Stanford en lo que se refiere a diagnosticar la neumonía de forma precisa.

Muchos tratamientos de enfermedades devastadoras ocurren en el tórax, como la neumonía, en donde se basan los diagnósticos en la interpretación de las imágenes de rayos X. Pero incluso los mejores radiólogos se equivocan en la interpretación de las placas. “la motivación de este trabajo es tener un modelo de aprendizaje profundo que ayude a la tarea de interpretar las placas y elimine las limitaciones de la percepción humana, así como la subjetividad que tienen los médicos, reduciendo así la tasa de errores”, explica Lungren y agrega: “Más ampliamente, creemos que el modelo de aprendizaje profundo para este propósito puede mejorar el cuidado de la salud en un amplio cuadro de situaciones”.

Después de un mes de iteraciones continuas, el algoritmo supero a los radiólogos de Stanford en el diagnóstico de neumonía. Esto significa que los diagnósticos de CheXNet están de acuerdo con la mayoría de los diagnósticos votados por los radiólogos. El algoritmo ahora tiene el mas alto desempeño en todos los trabajos de diagnóstico de placas de tórax.

Por supuesto que esto es apenas el comienzo y los investigadores quieren mejorar los algoritmos médicos que puedan automáticamente detectar detalles anormales, esperando así lograr tener conjuntos públicos de datos anónimos para que otros investigadores tengan material de prueba de alta calidad.

Comentarios