Nuevos artículos
Los radiólogos podrán utilizar la IA para detectar tumores cerebrales en un futuro próximo
Último revisado: 02.07.2025
Todo el contenido de iLive se revisa médicamente o se verifica para asegurar la mayor precisión posible.
Tenemos pautas de abastecimiento estrictas y solo estamos vinculados a sitios de medios acreditados, instituciones de investigación académica y, siempre que sea posible, estudios con revisión médica. Tenga en cuenta que los números entre paréntesis ([1], [2], etc.) son enlaces a estos estudios en los que se puede hacer clic.
Si considera que alguno de nuestros contenidos es incorrecto, está desactualizado o es cuestionable, selecciónelo y presione Ctrl + Intro.
Un artículo titulado "Aprendizaje profundo y aprendizaje por transferencia para la detección y clasificación de tumores cerebrales", publicado en Biology Methods and Protocols, afirma que los científicos pueden entrenar modelos de inteligencia artificial (IA) para distinguir entre tumores cerebrales y tejido sano. Los modelos de IA ya pueden detectar tumores cerebrales en imágenes de resonancia magnética casi con la misma precisión que un radiólogo.
Los investigadores han avanzado de forma constante en la aplicación de la IA a la medicina. La IA es especialmente prometedora en radiología, donde la espera a que los técnicos procesen las imágenes médicas puede retrasar el tratamiento del paciente. Las redes neuronales convolucionales son herramientas potentes que permiten a los investigadores entrenar modelos de IA con grandes conjuntos de imágenes para su reconocimiento y clasificación.
De esta manera, las redes pueden aprender a distinguir entre imágenes. También tienen la capacidad de transferir el aprendizaje. Los científicos pueden reutilizar un modelo entrenado para una tarea en un proyecto nuevo, pero relacionado.
Aunque la detección de animales camuflados y la clasificación de tumores cerebrales involucran tipos de imágenes muy diferentes, los investigadores sugirieron que existe un paralelo entre un animal que se esconde gracias al camuflaje natural y un grupo de células cancerosas que se mimetizan con el tejido sano circundante.
El proceso aprendido de generalización (agrupar diferentes objetos bajo un único identificador) es importante para comprender cómo la red puede detectar objetos camuflados. Este aprendizaje podría ser especialmente útil para la detección de tumores.
En este estudio retrospectivo de datos de resonancia magnética disponibles públicamente, los investigadores examinaron cómo se podrían entrenar los modelos de redes neuronales con datos de cáncer cerebral, introduciendo un paso de aprendizaje por transferencia único para detectar animales encapuchados y mejorar las habilidades de detección de tumores de la red.
Utilizando imágenes de resonancia magnética de fuentes de datos de cáncer disponibles públicamente en línea e imágenes de control de cerebros sanos (incluidos Kaggle, el Archivo de imágenes de cáncer del NIH y el Sistema de Salud del VA en Boston), los investigadores entrenaron redes para distinguir entre imágenes de resonancia magnética sanas y cancerosas, identificar el área afectada por el cáncer y la apariencia prototípica del cáncer (tipo de tumor canceroso).
Los investigadores descubrieron que las redes eran casi perfectas para identificar imágenes cerebrales normales con solo uno o dos falsos negativos y para distinguir entre cerebros cancerosos y sanos. La primera red mostró una precisión promedio del 85,99 % en la detección de cáncer cerebral, mientras que la segunda tuvo una precisión del 83,85 %.
Una característica clave de la red es la multiplicidad de maneras en que se pueden explicar sus decisiones, lo que aumenta la confianza en los modelos por parte de profesionales médicos y pacientes. Los modelos profundos a menudo no son lo suficientemente transparentes, y a medida que el campo madura, la capacidad de explicar las decisiones de las redes cobra importancia.
Gracias a esta investigación, la red ahora puede generar imágenes que muestran áreas específicas en la clasificación de un tumor como positivo o negativo. Esto permitirá a los radiólogos comparar sus decisiones con los resultados de la red, lo que aumenta la confianza, como si hubiera un segundo radiólogo "robótico" cerca señalando el área de la resonancia magnética que indica un tumor.
En el futuro, los investigadores creen que será importante centrarse en la creación de modelos de redes profundas cuyas decisiones puedan describirse de forma intuitiva para que la IA pueda desempeñar un papel de apoyo transparente en la práctica clínica.
Aunque las redes tuvieron dificultades para distinguir entre los tipos de tumores cerebrales en todos los casos, era evidente que presentaban diferencias intrínsecas en la representación de los datos dentro de la red. La precisión y la claridad mejoraron a medida que las redes se entrenaron para reconocer el camuflaje. El aprendizaje por transferencia condujo a una mayor precisión.
Aunque el mejor modelo probado fue un 6 % menos preciso que la detección humana estándar, el estudio demuestra con éxito la mejora cuantitativa lograda mediante este paradigma de aprendizaje. Los investigadores creen que este paradigma, junto con la aplicación integral de métodos de explicabilidad, contribuirá a la transparencia necesaria en la futura investigación clínica sobre IA.
"Los avances en IA permiten detectar y reconocer patrones con mayor precisión", afirmó el autor principal del artículo, Arash Yazdanbakhsh.
Esto, a su vez, mejora el diagnóstico y la detección basados en imágenes, pero también requiere una mayor explicación sobre cómo la IA realiza una tarea. El impulso a la explicabilidad de la IA mejora las interacciones entre humanos y IA en general. Esto es especialmente importante entre los profesionales médicos y la IA diseñada para fines médicos.
Los modelos claros y explicables son más adecuados para facilitar el diagnóstico, rastrear la progresión de la enfermedad y monitorear el tratamiento.