Joint Base Charleston >News” src=”https://media.defense.gov/2009/Jun/17/2000551080/-1/-1/0/090617-F-1443G-037.JPG” loading=”lazy”>Comparación de enfoques tradicionales de reconstrucción de imágenes con dos técnicas prometedoras de IA.

La resonancia magnética, conocida por la mayoría como MRI, ha sido una de las herramientas más transformadoras de la imagenología médica en las últimas décadas. Aunque es poderosa e informativa, los escaneos de MRI son una tecnología lenta que a menudo puede causar incomodidad al paciente. Para un paciente que ya está en angustia, un escaneo típico que dura entre 40 y 60 minutos puede ser abrumador.

Akshay Chaudhari, profesor asistente en la Universidad de Stanford y miembro del Instituto para la Inteligencia Artificial Centrada en el Ser Humano (HAI), junto con sus colaboradores Reinhard Heckel, profesor asistente en la Universidad Técnica de Munich, y Mohammad Zalbagi Darestani, candidato doctoral en la Universidad Rice, recientemente exploraron cómo las técnicas de IA podrían acelerar el MRI. Descubrieron que las técnicas de IA son al menos tan confiables como los métodos actuales no técnicos que ya se utilizan y mejoran estos métodos al aclarar pequeños detalles en una imagen.

Beneficios prácticos de la velocidad que brinda la IA

A pesar de que el MRI es una herramienta de trabajo en la radiología diagnóstica, Chaudhari dice que su talón de Aquiles es que simplemente lleva mucho tiempo. Una forma en que podemos acelerar los escaneos es recolectando menos datos y utilizando la IA y otros métodos matemáticos para reconstruir las imágenes.

“El uso de la IA para la reconstrucción de MRI puede tener una multitud de beneficios prácticos: los pacientes pueden someterse a procedimientos de imágenes mucho más rápidos, las imágenes tienen una menor probabilidad de tener artefactos debido al movimiento del paciente, los hospitales pueden atender a más pacientes con tiempos de espera más cortos y los radiólogos aún pueden realizar diagnósticos precisos para sus pacientes”, dice Chaudhari, enumerando los beneficios prácticos que brinda la velocidad.

El documento se presentará en la Conferencia Internacional de Aprendizaje Automático 2021 a partir del 18 de julio de 2021.

El MRI es útil para una variedad de propósitos, como escanear rodillas para detectar daños en el cartílago y los ligamentos, o escanear el cerebro y el cuerpo para detectar tumores y cánceres, diagnósticos en los que los resultados falsos podrían tener consecuencias graves. Recientemente, un equipo de matemáticos incluso ha cuestionado la confiabilidad fundamental de las técnicas de IA en radiología, algunos diciendo que no deberían usarse en absoluto.

La comparación

Para evaluar el potencial de la IA, el equipo de investigación comparó las dos técnicas de IA más prometedoras, redes neuronales entrenadas y no entrenadas, con métodos de reconstrucción de imágenes que no utilizan la IA. Las redes neuronales entrenadas han sido estudiadas durante los últimos años y dependen de ejemplos de alta calidad para entrenarse de manera supervisada. Por otro lado, las redes neuronales no entrenadas representan avances de vanguardia en la IA no supervisada que no requieren ningún dato de entrenamiento.

Los investigadores examinaron cómo cada modelo se desempeñó con respecto a tres preocupaciones comunes que afectan la reconstrucción de imágenes. El primero involucra la sensibilidad a las interrupciones del peor caso en la recopilación de datos, conocidas como perturbaciones. Las perturbaciones podrían ser introducidas por equipos de MRI defectuosos, por ejemplo, o por los propios pacientes cuando se mueven durante el escaneo.

Los investigadores también examinaron cómo estos modelos manejan otra forma de anomalía de datos conocida como cambio de distribución, que puede ocurrir en casos donde se utiliza un algoritmo entrenado en un grupo de personas para otro grupo, o cuando los escaneos entrenados en una parte del cuerpo, como la rodilla, se utilizan para reconstruir imágenes de una parte diferente del cuerpo, como el cerebro.

Finalmente, Chaudhari y sus colegas examinaron la capacidad de cada modelo para recuperar pequeños detalles en una imagen, como un tumor incipiente.

El hallazgo más importante del equipo fue que todas las formas de reconstrucción de imágenes, tanto la IA como las tradicionales, son susceptibles a estos tipos de desafíos. Por lo tanto, Chaudhari dice que el llamado a excluir los métodos de IA, especialmente en esta etapa, se basa en una comparación incompleta o injusta.

“Los estudios previos sobre la robustez de la reconstrucción de imágenes basadas en redes neuronales pintaron una imagen demasiado pesimista de las redes neuronales profundas, pero solo destacaron los métodos de redes neuronales y no los métodos clásicos que ya se utilizan”, dice Zalbagi Darestani.

En otro resultado notable del estudio, cuando se trataba de resolver detalles finos, donde las consecuencias son más profundas, las redes neuronales superaron en realidad a los modelos tradicionales.

La conclusión

En resumen, Chaudhari dice que las redes neuronales son un método prometedor y cada vez más viable para la reconstrucción de imágenes, y no deberían descartarse, especialmente antes de que evolucionen por completo. De hecho, Chaudhari señala que dada la susceptibilidad similar de todos los métodos de reconstrucción a los mismos tipos de errores, el estudio del grupo debería afianzar el futuro de la IA en el campo, especialmente cuando se consideran los modestos riesgos de todas las formas de reconstrucción frente a la clara ventaja de la IA en la aceleración de las adquisiciones de MRI. Esa ventaja de rendimiento debería equivaler directamente al beneficio del paciente a través de la detección temprana y la reducción de diagnósticos falsos positivos que pueden causar ansiedad.

“Lo más importante es tener en cuenta lo que estos riesgos y beneficios significan para el paciente. En ese sentido, las redes neuronales son prometedoras y sus capacidades deberían seguir creciendo con el tiempo”, concluye Chaudhari.

Conclusión

En conclusión, el estudio realizado por el equipo de Chaudhari demuestra que las técnicas de IA pueden ser una herramienta muy útil en la aceleración de los escaneos de MRI, mejorando la calidad de las imágenes y reduciendo los tiempos de espera para los pacientes. Aunque aún hay preocupaciones sobre la confiabilidad de la IA en la radiología, el estudio demuestra que todas las formas de reconstrucción de imágenes son susceptibles a ciertos desafíos y que la IA no debe descartarse antes de su completa evolución. En última instancia, el objetivo debe ser mejorar la calidad de la atención médica y los resultados para los pacientes, y la IA puede ser una herramienta valiosa para lograr ese objetivo.

Palabras clave relacionadas

IA, MRI, redes neuronales, reconstrucción de imágenes, diagnóstico, aceleración de escaneos, calidad de atención médica.