Modelo nuevo de IA basado en exámenes de TC en 3D mejora la exactitud del aprendizaje automático para el diagnóstico de la COVID-19

Los investigadores han desarrollado un modelo de inteligencia artificial (IA) que puede diagnosticar la COVID-19, tan bien como un panel de radiólogos profesionales, al tiempo que preserva la privacidad de los datos del paciente.

Un equipo internacional de investigadores, dirigido por la Universidad de Cambridge (Cambridge, Inglaterra) y la Universidad de Ciencia y Tecnología de Huazhong (Hubei, China), utilizó una técnica llamada aprendizaje federado para construir su modelo. Mediante el aprendizaje federado, un modelo de inteligencia artificial en un hospital o país se puede capacitar y verificar de forma independiente mediante un conjunto de datos de otro hospital o país, sin tener que compartir datos. Los investigadores basaron su modelo en más de 9.000 tomografías computarizadas de aproximadamente 3.300 pacientes en 23 hospitales del Reino Unido y China. Sus resultados proporcionan un marco en el que las técnicas de inteligencia artificial pueden ser más confiables y exactas, especialmente en áreas como el diagnóstico médico, donde la privacidad es vital.

La IA ha proporcionado una solución prometedora para agilizar los diagnósticos de COVID-19 y futuras crisis de salud pública. Sin embargo, las preocupaciones en torno a la seguridad y la confiabilidad impiden la recopilación de datos médicos representativos a gran escala, lo que plantea un desafío para entrenar un modelo que se pueda utilizar en todo el mundo. En los primeros días de la pandemia de COVID-19, muchos investigadores de IA trabajaron para desarrollar modelos que pudieran diagnosticar la enfermedad. Sin embargo, muchos de estos modelos se crearon utilizando datos de baja calidad, conjuntos de datos “Frankenstein” y una falta de información por parte de los médicos. Muchos de los mismos investigadores del estudio actual destacaron que estos modelos anteriores no eran aptos para uso clínico en la primavera de 2021.

El equipo internacional de investigadores utilizó dos conjuntos de datos de validación externa bien seleccionados de tamaño apropiado para probar su modelo y asegurarse de que funcionaría bien en conjuntos de datos de diferentes hospitales o países. Los investigadores basaron su marco en tomografías computarizadas tridimensionales en lugar de imágenes bidimensionales. Las tomografías computarizadas ofrecen un nivel de detalle mucho mayor, lo que da como resultado un modelo mejor. Utilizaron 9.573 tomografías computarizadas de 3.336 pacientes recolectados de 23 hospitales ubicados en China y el Reino Unido.

Los investigadores también tuvieron que mitigar el sesgo causado por los diferentes conjuntos de datos y utilizaron el aprendizaje federado para entrenar un modelo de IA mejor generalizado, al tiempo que preservaban la privacidad de cada centro de datos en un entorno colaborativo. Para una comparación justa, los investigadores validaron todos los modelos con los mismos datos, sin superponerse con los datos de entrenamiento. El equipo hizo que un panel de radiólogos hiciera predicciones de diagnóstico basadas en el mismo conjunto de tomografías computarizadas y comparó la exactitud de los modelos de IA y los profesionales humanos. Los investigadores dicen que su modelo es útil no solo para la COVID-19, sino para cualquier otra enfermedad que pueda ser diagnosticada mediante una tomografía computarizada.

“La inteligencia artificial tiene muchas limitaciones cuando se trata del diagnóstico de la COVID-19, y debemos analizar y seleccionar cuidadosamente los datos para que terminemos con un modelo que funcione y sea confiable”, dijo el coprimer autor, Hanchen Wang del Departamento de Ingeniería de Cambridge.

“Antes de la COVID-19, la gente no se daba cuenta de la cantidad de datos que necesitaba recopilar para crear aplicaciones de inteligencia artificial médica”, dijo el coautor, el Dr. Michael Roberts, de AstraZeneca y el Departamento de Matemáticas Aplicadas y Física Teórica de Cambridge. “Los diferentes hospitales, los diferentes países, tienen sus propias formas de hacer las cosas, por lo que necesita que los conjuntos de datos sean lo más grandes posible para hacer algo que sea útil para la gama más amplia de médicos”.

Enlace relacionado:
Universidad de Cambridge
Universidad de Ciencia y Tecnología de Huazhong