IA para dispositivos médicos y salud digital

CAPÍTULOS

Capítulo 3: Avances en la captura de imágenes médicas

Uso de Deep Learning para reducir el riesgo de exposición a radiación durante la captura de imágenes de TC
Diagnóstico de nódulos tiroideos a partir de imágenes médicas de ultrasonido con Deep Learning
Deep Learning para captura de imágenes médicas: Detección de COVID-19

Capítulo 3

IA para avanzar la captura de imágenes médicas

La captura de imágenes médicas es probablemente la aplicación clínica más prometedora de la IA. Ya se trate de diagnosticar un cáncer, detectar una fractura o identificar anomalías neurológicas o torácicas, la IA puede contribuir a acelerar el diagnóstico y ayudar al personal médico a elegir el tratamiento adecuado.

Dos imágenes pulmonares lado a lado con superposiciones de datos de colores con estructura en ojo de buey, con rojo en el centro y amarillo en los bordes. Ambas indican probabilidad de COVID.

Visualización de los resultados de mapeo de activación de clase (CAM). Las evaluaciones de modelos basados en IA de diferentes casos de COVID-19 permiten comprender las decisiones del algoritmo.

Se estima que se producen alrededor de 40 millones de errores radiológicos al año debido al exceso de trabajo de los profesionales de radiología o la baja calidad de las técnicas de captura de imágenes médicas [4]. Los algoritmos de IA pueden reconocer estructuras anatómicas sutiles y deducir el significado clínico, lo que ayuda al personal de radiología a realizar diagnósticos. La IA también ayuda procesando y proporcionando análisis de grandes volúmenes de imágenes en mucho menos tiempo.

El uso de IA en la captura de imágenes médicas con fines diagnósticos se está evaluando ampliamente. A fecha de julio de 2022, el 75% (391) de los dispositivos aprobados por la FDA en el mercado correspondían solo al sector de la captura de imágenes radiológicas [5].

Uso de Deep Learning para reducir el riesgo de exposición a radiación durante la captura de imágenes de TC

Desafío

La exposición a la radiación de tomografía computarizada (TC) es aproximadamente 350 veces mayor que la de una sola dosis de rayos X y se asocia con varios riesgos, tales como cáncer. Profesionales de investigación médica buscan limitar la exposición a la radiación utilizando tomografías computarizadas de dosis ultrabajas. No obstante, este enfoque genera imágenes de baja resolución con alto nivel de ruido, lo que dificulta interpretar las exploraciones.

Diagrama que muestra las capas de la red neuronal convolucional (CNN) a medida que se entrena con imágenes de TC de dosis ultrabajas.

CNN entrenadas con tomografías computarizadas de dosis ultrabajas. (Imagen cortesía de la Universidad Ritsumeikan)

Soluciones

El investigador Ryohei Nakayama de la Universidad Ritsumeikan de Kioto en Japón, utilizó MATLAB para crear una red neuronal convolucional (CNN) de Deep Learning que reconstruye imágenes de alta resolución capturadas con tomografías computarizadas de dosis ultrabajas.

Al principio, el investigador utilizó MATLAB para dividir las imágenes de TC en pequeñas regiones locales y emparejar regiones de dosis bajas y dosis normales para crear un diccionario de imágenes. A medida que el diccionario iba creciendo, el tiempo de búsqueda se volvió insostenible, por lo que Nakayama probó una red neuronal convolucional (CNN), que produce resultados mucho más rápido a pesar del tiempo de entrenamiento.
Nakayama utilizó MATLAB para evaluar alrededor de 128 variantes diferentes de CNN, probando diferentes tamaños de entradas y filtros, así como varias cantidades de capas convolucionales.
Para acelerar el proceso de entrenamiento, realizó entrenamiento en paralelo en varias GPU de la serie GeForce de NVIDIA^® con Parallel Computing Toolbox™.
Para supervisar el progreso del entrenamiento, Nakayama representó gráficamente la precisión y la pérdida con la opción de visualización de supervisión de Deep Learning Toolbox™.

Resultados

El sistema basado en CNN proporciona a profesionales médicos un nivel comparable de información diagnóstica, al tiempo que reduce la exposición a la radiación de los pacientes hasta en un 95%.

Lea el artículo

Diagnóstico de nódulos tiroideos a partir de imágenes médicas de ultrasonido con Deep Learning

Desafío

Por lo general, cualquier masa o tumor pequeño en la glándula tiroides suele ser benigno, pero existe la posibilidad de que un pequeño porcentaje sea maligno. Las ecografías ayudan a profesionales médicos a diagnosticar nódulos tiroideos, pero la precisión del diagnóstico depende de la experiencia personal. A veces, varios profesionales de radiología que evalúan el mismo nódulo llegan a conclusiones y diagnósticos diferentes.

Soluciones

Un equipo de investigación de la Universidad de Yonsei y el Hospital Severance de Seúl (Corea del Sur) utilizó MATLAB para diseñar y entrenar redes neuronales convolucionales (CNN) con el fin de identificar nódulos tiroideos malignos y benignos. Con MATLAB, validaron las CNN con respecto a conjuntos de datos de varios hospitales, los empaquetaron con una interfaz de usuario y los desplegaron como aplicación web.

App web SERA que muestra resultados malignos del análisis de una imagen de ultrasonidos.

App web SERA desarrollada en MATLAB. (Imagen cortesía de School of Mathematics and Computing, Yonsei University)

Inicialmente, utilizaron Statistics and Machine Learning Toolbox para aplicar ingeniería de características y entrenar múltiples modelos de Machine Learning, incluyendo máquina de vectores de soporte (SVM) e identificación de bosques aleatorios.
Con Deep Learning Toolbox, comenzaron a explorar 17 redes CNN previamente entrenadas en MATLAB, incluidas AlexNet, SqueezeNet, ResNet e Inception.
Las 17 redes diferentes se entrenaron con un conjunto de datos de más de 14.000 imágenes. Para la combinación basada en características, utilizaron los resultados de la capa final completamente conectada en cada CNN para entrenar una SVM o un clasificador de bosques aleatorios. Para inferir resultados, se calculó la media ponderada de la probabilidad de clasificación producida por cada CNN.
Las CNN entrenadas se pusieron a disposición de los hospitales con los que trabaja la Universidad de Yonsei, mediante una app web denominada SERA que se desplegó con MATLAB Web App Server™.

Resultados

Las pruebas de diagnóstico han demostrado que estas CNN funcionan tan bien como profesionales de radiología expertos. La aplicación la utilizan estudiantes de medicina como parte de su formación y profesionales de radiología experimentados que necesitan una segunda opinión objetiva sobre diagnósticos.

Lea el artículo

Deep Learning para captura de imágenes médicas: Detección de COVID-19

Desafío

Durante los primeros días de la pandemia de COVID-19, resulto difícil detectar la enfermedad por coronavirus, sobre todo por el gran número de casos en aumento en todo el mundo.

Soluciones

Las herramientas de detección y diagnóstico ofrecen una valiosa segunda opinión al personal médico y ayudan a realizar detección sistemática. El departamento de investigación del Instituto de Investigación de la Universidad de Dayton (UDRI) utilizó MATLAB y Deep Learning Toolbox para desarrollar un algoritmo automatizado de Deep Learning destinado a detectar COVID-19 con radiografías torácicas. También visualizó los resultados del mapeo de activación de clase (CAM) de las diversas redes entrenadas para diferentes casos de COVID-19 para ayudar al personal médico a comprender las decisiones del algoritmo.

Seis exploraciones pulmonares de rayos X: tres indican COVID y tres son normales.

Resultados de clasificación de radiografías normales y que indican COVID.

Leer blog

Referencias

[4] Bruno, Michael A., Eric A. Walker y Hani H. Abujudeh. “Understanding and Confronting Our Mistakes: The Epidemiology of Error in Radiology and Strategies for Error Reduction”. Radiographics 35, n.º 6 (2015): 1668-1676. https://doi.org/10.1148/rg.2015150023.

[5] Centro de Dispositivos y Salud Radiológica. “Artificial Intelligence and Machine Learning (AI/ML) Enabled Medical Devices.” Administración de Alimentos y Medicamentos de los Estados Unidos. FDA. Lista actualizada el 5 de octubre de 2022. https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-and-machine-learning-aiml-enabled-medical-devices