La inteligencia artificial y el futuro de la radiología - "Artículo largo pero importante".
Al igual que otras subespecialidades en medicina, la radiología se enfrenta a su propio conjunto único de desafíos en curso. Desde la reducción del reembolso de los informes y procedimientos de radiología hasta el aumento del agotamiento de los médicos, hay muchos problemas importantes en el campo de la radiología.
Sin embargo, la amenaza más crítica para la radiología se considera el advenimiento del aprendizaje profundo y la visión por computadora. La idea de tener una caja negra, donde se analiza una imagen médica en un extremo y se produce un informe completo de radiología en el otro extremo, ahora se considera universalmente como la amenaza más importante para la profesión de radiología. Para determinar mejor cómo la radiología como campo debe reaccionar al campo emergente del aprendizaje automático, el primer paso es cultivar una mejor comprensión de la tecnología fundamental. Esta es la razón por la que el liderazgo de la Sociedad de Rayos Roentgen de Pensilvania (PRRS) decidió celebrar uno de sus eventos en torno a la inteligencia artificial (IA) y las implicaciones que tiene para el futuro de la radiología.
Fue apropiado que el evento para discutir el futuro de las imágenes médicas se celebrara en el histórico Colegio de Médicos del Museo Mütter en Filadelfia, donde se muestra la historia y las reliquias de la medicina. El interés de la comunidad radiológica fue bastante palpable: se tomaron todos los asientos y el evento fue rápidamente de pie.
La sesión fue coordinada por el liderazgo de la Sociedad de Rayos Roentgen de Pennsylvania: la Dra. Valeria Potigailo, la Dra. Tessa Cook, la Dra. Beverly Hershey y el Dr. Ryan Lee. El Dr. Paras Lakhani, de los hospitales de la Universidad de Jefferson, pronunció el discurso principal, “Fortalezas y limitaciones del aprendizaje profundo en imágenes médicas”. Proporcionó una visión general sobresaliente de la historia del aprendizaje profundo que condujo naturalmente a sus aplicaciones dentro de las imágenes médicas. La charla del Dr. Lakhani capturó con maestría la espada de doble filo del aprendizaje profundo en radiología, destacando las aplicaciones poderosas y las debilidades inherentes a todos estos modelos.
Mientras discutía la investigación actual de aprendizaje automático para casos de uso en radiología, el Dr. Lakhani sin duda entusiasmó simultáneamente a los científicos de datos y asustó a los radiólogos en la multitud. Las redes neuronales particulares se están acercando a los niveles de rendimiento humano en la detección de crecimientos malignos o benignos en imágenes tales como mamografías . Para lidiar con escaneos de imágenes de TC de baja calidad, diferentes redes neuronales llamadas codificadores automáticos han demostrado la capacidad de mejorar la calidad de la imagen al generar imágenes similares con valores de píxeles "reparados", que la red ha aprendido de la capacitación en datos similares.
Finalmente, si bien el uso del aprendizaje automático en radiología todavía es limitado debido al número relativamente pequeño de conjuntos de datos etiquetados de alta calidad, el uso del aprendizaje por transferencia abre un camino a corto plazo. Las redes neuronales que están entrenadas en grandes conjuntos de datos de imágenes existentes pueden "transferir" patrones aprendidos (como formas básicas, bordes, etc.) fácilmente a nuevos conjuntos de datos en campos más específicos, como la radiología. Estas redes de transferencia muestran aumentos dramáticos en la precisión en comparación con las redes capacitadas solo en los datos de destino.
Pero tan impresionante como es el potencial de AI dentro de la radiología, el Dr. Lakhani destacó varios estudios críticos que ponen de manifiesto las debilidades actuales de estos modelos aparentemente impresionantes.
Los investigadores han demostrado la peligrosa capacidad de hacer que las redes neuronales "alucinen" al sumar dos imágenes. En un ejemplo famoso, el sistema Cloud Vision de Google fue engañado para que adivinara la etiqueta de predicción "perro" en una imagen claramente visible de dos hombres en esquís, simplemente porque se insertó un pequeño número de píxeles de una imagen de perro por separado en partes particulares de la imagen.
Similares resultados perturbadores han surgido en torno al método de "ataques de envenenamiento por la puerta trasera" en redes neuronales. Al inyectar un pequeño número de imágenes de entrenamiento específicamente mal etiquetadas en un conjunto de datos de entrenamiento, los actores malintencionados potencialmente pueden insertar "puertas traseras" en los sistemas de aprendizaje engañándolos para que puedan predecir de forma confiable determinadas etiquetas incorrectas.
Tal vez lo más peligroso desde una perspectiva médica, las redes de aprendizaje profundo en general tienden a ser "cajas negras", lo que significa que son difíciles de explicar y de validar. Es bastante común entrenar una red neuronal que parece estar funcionando increíblemente bien, solo para descubrir que la red ha estado "haciendo trampa" al aprender algunos artefactos en los datos. En uno de estos ejemplos, un modelo aprendió a identificar caballos en imágenes con una precisión casi perfecta. ¡Esta increíble hazaña se logró simplemente porque todas las imágenes de caballos en los conjuntos de entrenamiento y pruebas contenían una etiqueta de copyright particular! Las claras vulnerabilidades técnicas y la falta de explicaciones interpretables por el hombre para las predicciones del modelo son una evidencia sólida de que la IA todavía está lejos de reemplazar a los médicos; no obstante, puede proporcionar herramientas útiles para profesionales médicos cualificados.
Luego de su charla, el Dr. Ryan Lee se encargó de moderar la sesión del panel sobre “Aprendizaje automático y el futuro de la radiología”, que incluyó al Dr. Mitch Schnall, presidente de Penn Radiology, el Dr. Devang Gor, presidente de Lehigh Valley Health Network, el Dr. Paras Lakhani, profesor asistente en los hospitales de la Universidad de Jefferson y el Dr. Ajay Kohli, médico residente de radiología en la Facultad de Medicina de la Universidad de Drexel. Se abordaron muchas preguntas y hubo tres conclusiones importantes:
1. Los radiólogos deben dar forma a la conversación sobre el futuro de las imágenes médicas. Una de las conclusiones más importantes fue que los ingenieros de software, los científicos de datos y los capitalistas de riesgo están dando forma a la conversación en torno a la inteligencia artificial y la radiología, que no solo carecen de una comprensión completa de las complejidades de la profesión, sino que tampoco consideran la atención al paciente tan importante. Radiólogo y clínicos.
El Dr. Mitch Schnall destacó de manera excelente cuando observó que las empresas utilizan datos de atención médica que datan de décadas atrás. Sin embargo, los datos en medicina a menudo ni siquiera son relevantes después de unos pocos años debido a la rápida evolución de las herramientas terapéuticas y de diagnóstico. Aquí es donde los expertos médicos brindarán una parte integral en el desarrollo de la tecnología de imágenes médicas. Para poder aplicar la tecnología de manera efectiva, es imperativo que los desarrolladores comprendan la relevancia clínica y la importancia de los datos de atención médica.
3. El aprendizaje profundo representa una amenaza y una oportunidad. Se planteó la preocupación de que el aprendizaje profundo puede automatizar tareas importantes que actualmente realizan los radiólogos. Sin embargo, la fruta de bajo riesgo para la IA está en tener algunas tareas de radiología menores: medir los cambios en los nódulos pulmonares, evaluar los cambios en el tamaño de las lesiones de esclerosis múltiple, para que sean automatizadas. La radiología ha tomado la delantera en la implementación de muchas formas avanzadas de tecnología dentro de la atención médica. Si la fuerza laboral combinada de imágenes puede adoptar la adaptación del aprendizaje profundo en imágenes médicas, entonces puede guiar la implementación del aprendizaje profundo en otras subespecialidades en medicina, como el uso del aprendizaje automático en la detección de colonoscopias o el diagnóstico de anomalías en el electrocardiograma en pacientes con enfermedades cardíacas, entre otros otros.
El evento fue un éxito al proporcionar una visión general de la tecnología de aprendizaje profundo. Destacó las aplicaciones actuales de la tecnología de aprendizaje profundo en imágenes médicas, las fortalezas de estas aplicaciones, así como sus deficiencias. Lo más importante es que este evento ayudó a llevar la conversación sobre el aprendizaje profundo en imágenes médicas a un lugar donde los radiólogos pueden moldear su futuro. Sí, hay amenazas que el aprendizaje profundo representa para la profesión de la radiología. Sin embargo, también hay inmensas oportunidades para las imágenes médicas y para toda la atención médica.
La radiología pasará por un cambio extenso en el futuro a medida que sea más fácil implementar algoritmos de aprendizaje profundo en la atención clínica. Sin embargo, la práctica de la radiología ha adoptado avances de vanguardia en la atención médica y la tecnología y, a través de un aprendizaje profundo, los radiólogos pueden continuar adoptando este cambio y moldear el futuro de la atención médica.