EL FUTURO DE LA INTELIGENCIA ARTIFICIAL EN RADIOLOGÍA: ¡HAY UNA APLICACIÓN PARA ESO!

El fácil acceso a los algoritmos acelera el desarrollo de aplicaciones: ¿qué significará para la radiología?

Por Eliot Siegel, MD, FACR, FSIIM.

¿Desea mejorar la detección de una hemorragia intracraneal en un paciente traumatizado? ¿O cuantificar la progresión de la esclerosis múltiple? Habrá una aplicación para eso, ¡y probablemente antes de lo esperado!

¿Cuál es el futuro de las aplicaciones de IA en radiología? ¿Y cuáles son sus implicaciones para los radiólogos?

Dentro de los próximos cinco años, habrá una cantidad asombrosa de aplicaciones nuevas y útiles para imágenes de diagnóstico. Además, los radiólogos los consumirán de forma muy diferente, descargando algoritmos a la carta para diagnóstico por imágenes desde plataformas de “tiendas de aplicaciones”. ¿Qué hay detrás de este desarrollo acelerado? Es la disminución en el tiempo y la experiencia especializada que se necesita para desarrollar nuevas aplicaciones de IA. Siga leyendo para comprender mejor esta transformación, y las implicaciones para la radiología.

¿Qué está acelerando el desarrollo de aplicaciones de IA en radiología?

Comencemos con una mirada rápida a los desarrollos tecnológicos que son aplicaciones de IA de rápido seguimiento. Para algunas personas, la aplicación de inteligencia artificial en imágenes de diagnóstico suena como un nuevo concepto. Sin embargo, la radiología ha estado aplicando una forma de IA, diagnóstico asistido por computadora (CAD), durante décadas. Las aplicaciones de IA que están surgiendo ahora no son mejores ni peores que las de CAD.

Sin embargo, desarrollar aplicaciones de CAD es un proceso complejo, lento y que requiere varios pasos. Requiere conocimiento sofisticado de segmentación de imágenes, extracción de características y análisis estadístico. En primer lugar, un desarrollador de CAD necesita tener acceso a una gran cantidad de casos de una determinada patología, como el cáncer de pulmón. Luego, el desarrollador debe elegir entre una variedad de técnicas avanzadas de análisis de imágenes que definen los límites del pulmón, segmentan la anatomía normal, identifican estructuras que están fuera del ámbito de la anatomía normal y luego aíslan esas estructuras. Luego, el desarrollador debe analizar múltiples parámetros, como el tamaño y los contornos de los bordes, la simetría, la textura y muchos otros.

Hoy en día, los algoritmos se generan en base a los datos, lo que elimina el largo proceso de desarrollo.

Así es como se ve el proceso hoy, usando el cáncer de pulmón como ejemplo. El desarrollador accede a una gran cohorte de casos que son positivos o negativos para el cáncer de pulmón. Luego, el desarrollador aplica herramientas de código abierto para aprendizaje profundo que están disponibles en Google y en otros lugares para crear un algoritmo que pueda discriminar entre positivo y negativo. El algoritmo se genera en base a los datos, lo que elimina el largo proceso de desarrollo descrito anteriormente. Es importante tener en cuenta que se requieren anotaciones detalladas y de alta calidad y un gran número de casos para optimizar este proceso.

 

¿A quién le importa la tienda de aplicaciones?

Sin duda, la dificultad y la duración del tiempo de desarrollo han disminuido. Pero las discusiones posteriores no son tan blancas y negras. Un tema muy investigado ahora es cuántos conjuntos de datos, imágenes médicas, son suficientes para “entrenar” el algoritmo. Algunos desarrolladores, probablemente aquellos que no son de la profesión médica, piensan que solo 20 casos son suficientes. No entienden que generalizar y aprender de un conjunto de datos limitado es una habilidad exclusiva de los humanos en este momento.

Aunque se requiere mucho menos tiempo y experiencia para desarrollar un algoritmo de aprendizaje profundo, la aprobación de las pruebas, la verificación y la reglamentación demora tanto o incluso más que para las aplicaciones de CAD desarrolladas más tradicionalmente. Hasta ahora, la FDA ha aprobado menos de un puñado de aplicaciones de aprendizaje profundo. Un obstáculo es que la evaluación de la eficacia de las aplicaciones de IA requiere nuevos conjuntos de habilidades. Y pronto, la FDA se verá inundada de aplicaciones de IA a medida que nuevos desarrolladores ingresen al mercado.

Otras preguntas aún no han sido respondidas. Por ejemplo, ¿quién probará los algoritmos para ver si realmente funcionan? Muchos estudios recientes, publicados típicamente sin revisión por pares clínicos, han sugerido que el aprendizaje profundo supera al de los radiólogos. Sin embargo, estos estudios tienen importantes defectos clínicos. 

¿Qué aplicaciones deben ser aprobadas por la FDA? ¿Y quién es responsable desde una perspectiva médico legal? Además, ¿qué aplicaciones deben ser aprobadas por la FDA? Actualmente hay más de 100 aplicaciones de diagnóstico dermatológico de bricolaje para teléfonos inteligentes, ninguna que haya sido ampliamente probada en ensayos clínicos. ¿Se desarrollará un conjunto de aplicaciones análogas y no reguladas para que el público las use con los CD que se les administren después de su MRI, CT u otros estudios de imágenes? Tenemos requisitos estrictos y bien desarrollados para la certificación de nuestros radiólogos. Necesitamos ser igualmente estrictos sobre la prueba y la validación de algoritmos de imágenes médicas, especialmente los que se ofrecen directamente al público.

Y por último, pero no por ello menos importante, ¿quién es responsable desde el punto de vista médico-legal de un diagnóstico erróneo o erróneo cuando las computadoras realizan las lecturas primarias? Esta preocupación sustancial impulsa a los cardiólogos de los EE. UU. A sobredimensionar los electrocardiogramas, a pesar de que han sido interpretados por las computadoras durante 40 años.

Explorando la IA a corto plazo

Las respuestas a estas grandes preguntas tomarán tiempo. ¿Qué sucederá en el corto plazo que impactará a los radiólogos y directores de imágenes? Con el tiempo, se te presentarán una gran cantidad de algoritmos que no has visto antes. Y algunos vendrán de compañías de las que nunca has oído hablar, al menos no en el ámbito de las imágenes médicas. El fácil acceso a los algoritmos ha democratizado el proceso de desarrollo. Las nuevas empresas y universidades innovadoras, así como los proveedores actuales se convertirán en proveedores de aplicaciones de imágenes médicas. También podrá consumir las nuevas aplicaciones de una manera mucho menos restringida que antes. No necesariamente necesitará un contrato extenso con un solo grupo de desarrolladores de algoritmos como lo hace ahora para su PACS y otro software. Podrá comprar las aplicaciones que desee ‘a la carta’: elegir una aplicación de un proveedor; otras aplicaciones de diferentes proveedores.

Preguntas de AI para explorar en tu práctica

Comience por preguntarse qué tipo de aplicaciones mejorarían su flujo de trabajo. ¿Qué interpretaciones son más comunes para su población de pacientes? Luego mira si hay una aplicación para ello. Al evaluar la aplicación, considere el conjunto de datos. ¿Estaba basado en una población similar a la tuya? Un algoritmo desarrollado utilizando una base de datos de una fuente única o limitada podría no reflejar su población de pacientes.

Tener una conversación con los proveedores actuales de software de diagnóstico por imágenes. Pregunte sobre su hoja de ruta para el desarrollo de aplicaciones. Dígales los tipos de software que le interesan, ya sea que se trate de resultados de imágenes, protocolos de suspensión, evaluación de la calidad de imagen, extracción de información clínica, etc. Y pregunte sobre sus planes para implementar las aplicaciones. ¿Irás a su sitio web donde reside el algoritmo y subirás tus imágenes? ¿O instalará su software en sus estaciones de trabajo? En la actualidad, nuestros centros de imágenes tienen múltiples estaciones de trabajo, una para el software de cada proveedor. ¿Será este el caso para las aplicaciones? ¿O hay una nueva estación de trabajo o software en el horizonte que será más flexible? Haga que su departamento de TI participe de la conversación también.

La IA para datos que no son de píxel es más prometedora que el análisis de imágenes

A pesar de toda la atención centrada en la inteligencia artificial para la interpretación de imágenes, podemos dejar de lado la discusión sobre si AI reemplazará a los radiólogos. No lo hará.

Hay un puñado de aplicaciones efectivas que están reemplazando algunas de las funciones mundanas en la interpretación radiológica, como la detección de nódulos pulmonares o fracturas costales en la TC torácica. Otros algoritmos de aprendizaje profundo proporcionan una interpretación preliminar para llevar los casos sospechosos de patología a la parte superior de una lista de trabajo. Pero en estos casos, AI es nuestro socio en el diagnóstico en lugar de un lector alternativo.

En el corto plazo, la mayoría de las aplicaciones serán para la interpretación sin píxeles. Estas son aplicaciones que mejoran la calidad de la imagen y aceleran la generación de imágenes en MR, CT y otras modalidades; o mejorar el flujo de trabajo, la comunicación y el seguimiento. Personalmente, me gustaría ver más tiempo y esfuerzo dedicado al desarrollo de algoritmos para mejorar la calidad de imagen, la seguridad (incluida la dosis) y una comunicación más efectiva. ¡Con suerte, habrá una aplicación para eso!

Eliot Siegel, MD, FACR, FSIIM, es profesor y vicepresidente del Departamento de Radiología Diagnóstica y Medicina Nuclear de la Facultad de Medicina de la Universidad de Maryland; y Jefe de Radiología y Medicina Nuclear para el Veterans Affairs Maryland Healthcare System, ambos en Baltimore, MD. También es profesor adjunto de Ciencias de la Computación e Ingeniería Biomédica en los campus de pregrado de la Universidad de Maryland. Fue pionero en el primer departamento de radiología sin película en todo el mundo y ha escrito más de 300 publicaciones sobre temas relacionados con imágenes digitales, datos grandes y computación de alto rendimiento, y aplicaciones de inteligencia artificial en medicina. El Dr. Siegel está en el Consejo Asesor Médico de Carestream y en la Junta Directiva de Carestream.

Obtenga información sobre las herramientas avanzadas de software de analítica de imágenes y inteligencia artificial de Carestream, diseñadas para mejorar la calidad y la velocidad del diagnóstico y la generación de informes para los exámenes de imágenes de radiología. #AI #RADIOLOGÍA #INTELIGENCIAARTIFICIAL

 

POST A COMMENT

This site uses Akismet to reduce spam. Learn how your comment data is processed.