La inteligencia artificial está teniendo un impacto disruptivo en muchas áreas, incluida la atención médica. Las nuevas técnicas de aprendizaje profundo, junto con una gran cantidad de imágenes médicas y datos de salud digitales, ahora brindan informes de diagnóstico estandarizados, reproducibles, confiables y precisos. Estos solo pueden mejorar la atención y la seguridad del paciente, mejorando también la práctica de la medicina clínica. Sin embargo, han surgido una serie de desafíos que obstaculizan el progreso y una aplicación más generalizada.
Las imágenes médicas son uno de los mejores casos del uso de la inteligencia artificial en el cuidado de la salud. Pero la falta de participación de los médicos y los cuellos de botella de datos pueden hacer que la tecnología sea menos útil de lo prometido. Entre las muchas aplicaciones posibles de la inteligencia artificial y el aprendizaje automático en el cuidado de la salud, la imagen médica es quizás la más prometedora.
Las herramientas analíticas avanzadas han demostrado su capacidad para extraer información significativa para mejorar la toma de decisiones, a veces con mayor precisión que los propios humanos. Esto por ejemplo, cuando se utilizan para decodificar la naturaleza complicada de las resonancias magnéticas, las tomografías computarizadas y otros tipos de pruebas.
Se necesita cantidades masivas de datos de imágenes médicas
Hay tanta información contenida en las imágenes médicas que ni siquiera nos hemos acercado a aprovechar a través de los métodos tradicionales de interpretación. Aunque la inteligencia artificial tiene un potencial aparentemente ilimitado para recopilar nuevos conocimientos a partir de imágenes médicas, la implementación de la tecnología en entornos clínicos presenta algunas barreras importantes.
Las mismas complejidades que hacen de las imágenes médicas un dominio ideal para los algoritmos analíticos, son las mismas complejidades que pueden obstaculizar el uso de la inteligencia artificial. Los desarrolladores e investigadores necesitan cantidades masivas de datos de imágenes para entrenar con éxito los modelos de inteligencia artificial y asegurarse de que estén listos para implementarse en la atención de rutina.
Incluso después de la implementación, los sistemas de salud deben monitorear constantemente el desempeño de estas herramientas. Además es necesario verificar que los proveedores estén utilizando las tecnologías para mejorar de manera efectiva la prestación de atención.
A medida que la industria avanza en su larga marcha hacia la automatización, los investigadores y las organizaciones de salud están trabajando para encontrar soluciones a estos desafíos. Esto representa un esfuerzo que eventualmente conducirá a un mejor desempeño clínico y una mejor atención al paciente.
ARTÍCULO RELACIONADO: Medicina de precisión, el futuro del manejo de enfermedades
Heterogeneidad de datos y complejidad de imágenes médicas
Muchos de los primeros éxitos de la visión por computadora se basaron en imágenes fotográficas de objetos comunes como frutas, automóviles, casas, etc.
El ImageNet Large Scale Visual Recognition Challenge es uno de los concursos más famosos que evalúa algoritmos para la detección de objetos y la clasificación de imágenes a gran escala. Comenzó en 2010 con un conjunto de entrenamiento que contenía más de 1.2 millones de imágenes fotográficas Joint Photographic Expert Group (JPEG) en color, distribuidas en 1000 clases. La resolución de imagen promedio en esta colección fue relativamente pequeña a 482 × 415 píxeles.
Las imágenes médicas, que generalmente se almacenan en formato de imágenes digitales como DICOM (Digital Imaging and Communication On Medicine). DICOM se estableció como el estándar de transmisión de imágenes médicas y datos entre hardware de propósito médico y es inherentemente diferente del conjunto de datos de ImageNet. El estándar DICOM se creó para permitir numerosos procesos en imágenes médicas y es responsable de una variedad de avances en el campo, especialmente la digitalización de la radiología.
El estándar DICOM puede admitir diferentes resoluciones y asignación de profundidad de bits. Por ejemplo, los estudios mamográficos pueden tener resoluciones de hasta 3000 × 4000 píxeles. Si bien la mayoría de las modalidades de imágenes médicas producen imágenes en escala de grises, hay algunas que se muestran y almacenan como imágenes en color, como PET / CT, Doppler US y objetos de captura secundaria (imágenes de visualización avanzada).
La forma en que se adquieren las imágenes médicas difiere de las imágenes fotográficas
La colaboración para mejores algoritmos y mejores perspectivas
LEER TAMBIÉN: Consecuencias de un diagnóstico tardío