Manual sobre los principios del aprendizaje automático para radiólogos

Artículo original: Lee M, Elsayed M, Chopra S, Lui Y. A No-Math Primer on the Principles of Machine Learning for Radiologists. Semin Ultrasound CT MRI. 2022;43(2):133-41.

DOI: https://doi.org/10.1053/j.sult.2022.02.002

Sociedad: N/A 

Palabras clave: N/A

Abreviaturas y acrónimos utilizados: DL (Deep Learning), IA (Inteligencia Artificial), ML (Machine learning), RM (Resonancia Magnética), TC (Tomografía Computarizada).

Línea editorial: 

Seminars in Ultrasound, CT and MRI es una revista científica de publicación bimestral, que incluye artículos que tratan sobre la interpretación de los hallazgos en ecografía, TC y RMN en la práctica clínica diaria. Cada número de esta revista versa sobre un campo concreto de la radiología. El volumen del mes de abril de 2022 incluye siete artículos relacionados con un tema en auge: la inteligencia artificial. Tres de ellos (incluido el revisado en este texto) explican los principios básicos de la inteligencia artificial aplicada a la radiología (por ejemplo, Radiomics: A Primer on Processing Workflow and Analysis), tres se centran en su aplicación en el campo de la neurorradiología (por ejemplo, Application of Deep Learning to Ischemic and Hemorrhagic Stroke Computed Tomography and Magnetic Resonance Imaging) y el último trata sobre su utilidad en las técnicas de imagen de cabeza y cuello (Artificial Intelligence in Head and Neck Imaging).

Motivos para la selección: 

Al ser mi primera inclusión en el campo de la inteligencia artificial, he elegido un artículo que tratase sobre sus principios elementales, para adquirir unos conceptos básicos que me permitan entender mejor en el futuro próximo otros artículos más específicos sobre el tema. 

Resumen:

La IA es un campo que ha ganado gran relevancia en la última década en la radiología, tanto en investigación como en la práctica clínica diaria. Por ello, es esencial que los radiólogos conozcan sus principios básicos para saber interpretar sus resultados. 

Definiciones:

  • IA: estudio y desarrollo de algoritmos informáticos capaces de efectuar ciertas tareas, que previamente se consideraba que requerían una inteligencia humana. 
  • ML: rama de la IA que desarrolla y utiliza algoritmos (basados en métodos estadísticos) que pueden aprender de los datos creando un modelo durante el proceso. Estos algoritmos se basan en una serie de características medibles de los datos, cuya selección la realiza el propio investigador, escogiendo las que considera más relevantes para su trabajo (lo que en ocasiones resulta difícil). 
  • DL: rama del ML basada en “redes neuronales artificiales”, que son estructuras organizadas en múltiples capas, que al estar conectadas entre sí permiten la transmisión de información entre ellas. Al proporcionar datos a estas redes neuronales son capaces de obtener por sí mismas las características de los datos, sin necesidad de una selección guiada por humanos (a diferencia del ML clásico). 

Machine learning clásico vs Deep learning:

En radiología, el ML clásico es útil siempre que el número de ejemplos esté limitado y sus características (Ej. tamaño, densidad…) puedan aprovecharse como datos de entrada del modelo. Incluye distintos métodos de estudio, entre los que destacan: métodos de regresión, máquina de vector soporte, el método k-nearest neighbors y los árboles de decisión. Su principal limitación es que no son capaces de aprender representaciones intermedias de las imágenes por sí mismos, por lo que, ante imágenes radiológicas complejas, debido a la amplia variación de la anatomía normal o anormal, los algoritmos clásicos de aprendizaje automático rara vez funcionan bien. 

De esta limitación surge el DL, modelo que se basa en redes neuronales artificiales compuestas por múltiples capas, a través de las que fluye la información. A través de operaciones matemáticas, estas redes aprenden progresivamente abstracciones de los datos que sirven de punto intermedio para llegar a los resultados. En ocasiones, se utiliza un método de aprendizaje mediante transferencia, aprovechando una red previamente entrenada para una tarea diferente pero relacionada con el problema actual, lo que proporciona un punto de comienzo para los investigadores. 

En ambos casos existen varios métodos de aprendizaje:

  • Supervisado: asocia unas etiquetas que indican “verdades absolutas”, por lo que el modelo intenta encajar sus predicciones a las mismas. 
  • No supervisado: no existen etiquetas, por lo que el modelo intenta descubrir patrones en los datos por sí mismo. 
  • Semi-supervisado: incluye ejemplos basados en etiquetas y otros no. 
  • Aprendizaje por refuerzo (positivo o negativo): las recompensas o castigos le permiten aprender a alcanzar un resultado deseable. 

¿Cómo se desarrollan los modelos de machine learning y de deep learning?

  1. Definir el problema: conocer su impacto y determinar si el ML es un buen enfoque para el problema. 
  2. Obtener los datos: se requiere gran cantidad de datos para producir resultados generalizables, por lo que en ocasiones se combinan datos de múltiples instituciones o de repositorios públicos. Además, para el aprendizaje “supervisado” o “semi-supervisado” serán necesarias etiquetas de “verdades absolutas”, que están definidas por diagnósticos, hallazgos radiológicos u opiniones de expertos en consenso.
  3. Explorar y preparar los datos: con el objetivo de seleccionar datos de alta calidad, exactos y relevantes, los investigadores realizan tests estadísticos, que les permitan eliminar aquellos datos irrelevantes o variables, que puedan sesgar el modelo. 
  4. Elegir una métrica para optimizar el aprendizaje del modelo: para ello se utilizan “funciones de coste”, que indican la diferencia cuantitativa entre lo que predice el modelo y lo que se espera de él, permitiendo cuantificar su grado de error. 
  5. Entrenar y ajustar el modelo: mediante conjuntos datos de entrenamiento (ajustan los parámetros del modelo para optimizarlo) y de validación (determinan cuál es el mejor modelo). 
  6. Probar el modelo final: evaluar su rendimiento mediante conjuntos de datos de prueba.
  7. Implementar el modelo en entornos clínicos: es necesario un consenso entre radiólogos, otros médicos y especialistas informáticos para que el modelo pueda integrarse en la práctica clínica de manera exitosa. Además, debe monitorizarse su rendimiento continuamente para determinar si existen cambios en su efectividad con el tiempo. 

¿Cuáles son las limitaciones de machine learning en radiología?

En primer lugar, se requieren enormes conjuntos de datos de imágenes médicas, lo que está limitado por la escasez de conjuntos de datos públicos disponibles en este campo. Además, al ser imágenes que tienen mayor resolución que otro tipo de imágenes, requieren mayor memoria informática para su entrenamiento. Por otro lado, existe el peligro de perpetuar los sesgos presentes en los datos de entrenamiento utilizados. Por último, los resultados de las redes neuronales en ocasiones presentan un lenguaje incomprensible para el observador humano, lo que limita su aplicación clínica. 

Valoración personal:

Se trata de un artículo que introduce los conceptos y terminología básica de machine learning que son relevantes en el campo de la radiología, de una manera accesible y sin resultar excesivamente técnico ni complejo, lo que hace que esta lectura sea útil para cualquier radiólogo o residente de radiodiagnóstico que se quiera iniciar en este tema. 

Elena Julián Gómez

Hospital Universitario Marqués de Valdecilla (Santander), R2

elen.jg95@gmail.com

Tagged with: , , , ,
Publicado en Seminars in Ultrasound CT and MR

Deja una respuesta

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Salir /  Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Salir /  Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Salir /  Cambiar )

Conectando a %s

Publicaciones del Club
Residentes SERAM
A %d blogueros les gusta esto: