Algoritmo puede detectar la Neumonía mejor que cualquier radiólogo

Por Martín GS |

Publicado a las 02:31 AM CST en Nov 19,2017 | Actualizado a las 02:31 AM CST en Nov 19,2017


Hay una clara tendencia a que tener más datos facilita la formación de inteligencia artificial. Los conjuntos de datos más grandes, como ImageNet, mostraron originalmente que la IA podía ser útil para tareas como el reconocimiento de imágenes, lo que condujo a una carrera entre todos, desde las grandes empresas de tecnología hasta los académicos para compilar nuevos conjuntos de datos y estirar los límites de la IA.

En Stanford, los investigadores han desarrollado un algoritmo de aprendizaje por máquina que puede diagnosticar la neumonía a partir de una radiografía de tórax mejor que un radiólogo humano. Y aprendió a hacerlo en sólo un mes.

The Machine Learning Group, dirigido por el profesor adjunto de Stanford Andrew Ng, se inspiró en un conjunto de datos publicado por la National Institutes of Health el 26 de septiembre. El conjunto de datos contiene 112.120 imágenes de rayos X de tórax etiquetadas con 14 posibles diagnósticos diferentes, junto con algunos algoritmos preliminares. Los investigadores pidieron a cuatro radiólogos de Stanford que anotaran 420 de las imágenes para posibles indicaciones de neumonía. Seleccionaron esa enfermedad porque, según un comunicado de prensa, es particularmente difícil detectarla en las radiografías y lleva a un millón de personas a los hospitales estadounidenses cada año.

El radiólogo Matthew Lungren (izq.) se reúne con los estudiantes de posgrado Jeremy Irvin y Pranav Rajpurkar para analizar los resultados de las detecciones realizadas por el algoritmo. Una herramienta que los investigadores desarrollaron junto con el algoritmo produjo estas imágenes, que son similares a los mapas de calor y muestran las áreas de los rayos X más indicativas de neumonía. (Crédito de la imagen: L. A. Cicerón)

En una semana, el equipo de Stanford había desarrollado un algoritmo llamado CheXnet, capaz de detectar 10 de las 14 patologías en el conjunto de datos originales con mayor precisión que los algoritmos anteriores. Después de aproximadamente un mes de entrenamiento, el grupo avanzó en todas las 14, reportó el grupo en un artículo publicado esta semana a través de la Biblioteca de la Universidad de Cornell. Y CheXnet consistentemente se desempeñó mejor que los cuatro radiólogos de Stanford en el diagnóstico preciso de la neumonía.

Los investigadores analizaron el desempeño de CheXnet en términos de sensibilidad, es decir, si identificó correctamente los casos existentes de neumonía y qué tan bien evitó los falsos positivos. Mientras que algunos de los cuatro radiólogos humanos fueron mejores que otros, CheXnet fue mejor que todos ellos. [Ver gráfico abajo]

ChexNet, probado en 420 radiografías, superó a cuatro radiólogos en sensibilidad (identificando correctamente los positivos) y especificidad (identificando correctamente los negativos). Los radiólogos individuales están representados por las X anaranjadas, su rendimiento medio por una X verde, y ChexNet por la curva azul, generada por la variación de los umbrales utilizados para su diagnóstico.


El enfoque de Stanford también crea un mapa de calor de las radiografías de tórax, con colores que indican las áreas de la imagen más propensas a representar la neumonía; esta es una herramienta que los investigadores creen que podría ser de gran ayuda para los radiólogos humanos.

El artículo incluye al fundador de Google Brain Andrew Ng como coautor, quien también se desempeñó como científico jefe en Baidu y fundó recientemente Deeplearning.ai. A menudo ha sido públicamente alcista en el uso de la IA en salud.

Creo que el cuidado de la salud dentro de 10 años usará mucho más la IA y tendrá un aspecto muy diferente al de hoy “, dijo a MIT Tech Review a principios de este año.

No podría estar más emocionado -y con la esperanza de que todos los radiólogos de Stanford adopten esta tecnología inmediatamente, porque sé de primera mano lo beneficioso que podría ser.

Por qué usar un algoritmo

A menudo, los tratamientos para enfermedades comunes pero devastadoras que ocurren en el pecho, como la neumonía, dependen en gran medida de cómo los médicos interpretan la imagenología radiológica. Sin embargo, incluso los mejores radiólogos son propensos a diagnósticos erróneos debido a los desafíos de distinguir entre diferentes enfermedades basadas en las radiografías.

El pasado diciembre, mi hijo de 18 años fue a la sala de emergencias de Stanford con una fiebre y tos extremadamente altas. Le tomaron una radiografía de tórax por sospecha de neumonía; se le leyó como negativa, por lo que se le administró una intravenosa por deshidratación, medicación para la fiebre y finalmente fue enviado a casa.

Una semana después, regresó a la sala de emergencias en medio de la noche, esta vez desorientado, con una fiebre aún más alta que no respondía a los medicamentos. Una vez más, se leyó que una radiografía de tórax dio negativo, y se le hizo una prueba para cada enfermedad que uno pudiera imaginar. Pero todo lo que se le dio fueron líquidos, y finalmente fue dado de alta sin diagnóstico.

Dos días después de eso, recibimos una llamada de radiología -una revisión rutinaria de rayos X del fin de semana había cambiado la opinión médica a neumonía ; un diagnóstico que se había pasado por alto dos veces. Los antibióticos comenzaron a bajar la fiebre en 24 horas.

La próxima vez que traiga a un niño a la sala de urgencias de Stanford, les pediré una consulta con CheXnet.


Referencias & Fuentes

news.stanford.edu |Stanford algorithm can diagnose pneumonia better than radiologists

Si te fue útil, Comparte esta Información
  •  
  •  
  •  
  •  
  •  
    89
    Shares
Mostrar Más

Martín González Soto

Martin González Soto (n. en 1974 en la Santiago de Chile), nacionalizado Español  en 1999, es un profesor de robotica aplicada e informática de la Universidad Libre de Madrid, en España, y un reconocido experto en redes neuronales artificiales e inteligencia artificial. 

Articulos Relacionados

Close