Ingenieros informáticos y radiólogos de la Universidad de Duke han desarrollado una plataforma de inteligencia artificial para analizar lesiones potencialmente cancerosas en mamografías para determinar si un paciente debe recibir una biopsia invasiva. Pero a diferencia de sus muchos predecesores, este algoritmo es interpretable, lo que significa que muestra a los médicos exactamente cómo llegó a sus conclusiones.
Los investigadores entrenaron a la IA para localizar y evaluar lesiones tal como lo haría un radiólogo real, en lugar de permitirle desarrollar libremente sus propios procedimientos, lo que le dio varias ventajas sobre sus contrapartes de “caja negra”. Podría ser una plataforma de capacitación útil para enseñar a los estudiantes cómo leer imágenes de mamografía. También podría ayudar a los médicos en regiones escasamente pobladas de todo el mundo que no leen regularmente las mamografías a tomar mejores decisiones de atención médica.
Los resultados aparecieron en línea el 15 de diciembre en la revista Inteligencia de la máquina de la naturaleza.
“Si una computadora va a ayudar a tomar decisiones médicas importantes, los médicos deben confiar en que la IA está basando sus conclusiones en algo que tiene sentido”, dijo Joseph Lo, profesor de radiología en Duke. “Necesitamos algoritmos que no solo funcionen, sino que se expliquen por sí mismos y muestren ejemplos de en qué están basando sus conclusiones. De esa manera, ya sea que un médico esté de acuerdo con el resultado o no, la IA está ayudando a tomar mejores decisiones”.
La ingeniería de IA que lee imágenes médicas es una industria enorme. Ya existen miles de algoritmos independientes y la FDA ha aprobado más de 100 de ellos para uso clínico. Sin embargo, ya sea que lean resonancias magnéticas, tomografías computarizadas o mamografías, muy pocos utilizan conjuntos de datos de validación con más de 1000 imágenes o contienen información demográfica. Esta escasez de información, junto con los fracasos recientes de varios ejemplos notables, ha llevado a muchos médicos a cuestionar el uso de la IA en decisiones médicas de alto riesgo.
En un caso, un modelo de IA falló incluso cuando los investigadores lo entrenaron con imágenes tomadas de diferentes instalaciones usando diferentes equipos. En lugar de centrarse exclusivamente en las lesiones de interés, la IA aprendió a utilizar diferencias sutiles introducidas por el propio equipo para reconocer las imágenes procedentes de la sala de cáncer y asignar a esas lesiones una mayor probabilidad de ser cancerosas. Como era de esperar, la IA no se transfirió bien a otros hospitales que usaban equipos diferentes. Pero debido a que nadie sabía qué buscaba el algoritmo al tomar decisiones, nadie sabía que estaba destinado a fallar en las aplicaciones del mundo real.
“Nuestra idea era construir un sistema para decir que esta parte específica de una posible lesión cancerosa se parece mucho a esta otra que he visto antes”, dijo Alina Barnett, candidata a doctorado en ciencias informáticas en Duke y primera autora de el estudio. “Sin estos detalles explícitos, los médicos perderán tiempo y fe en el sistema si no hay forma de entender por qué a veces comete errores”.
Cynthia Rudin, profesora de ingeniería eléctrica e informática y ciencias de la computación en Duke, compara el proceso de la nueva plataforma de IA con el de un tasador de bienes raíces. En los modelos de caja negra que dominan el campo, un tasador proporcionaría el precio de una casa sin ninguna explicación. En un modelo que incluye lo que se conoce como un “mapa de prominencia”, el tasador podría señalar que el techo y el patio trasero de una casa fueron factores clave en su decisión de precio, pero no proporcionaría más detalles.
“Nuestro método diría que tiene un techo de cobre único y una piscina en el patio trasero que son similares a estas otras casas en su vecindario, lo que hizo que sus precios aumentaran en esta cantidad”, dijo Rudin. “Así es como podría verse la transparencia en la IA de imágenes médicas y lo que aquellos en el campo médico deberían exigir para cualquier desafío de radiología”.
Los investigadores entrenaron la nueva IA con 1136 imágenes tomadas de 484 pacientes en el Sistema de Salud de la Universidad de Duke.
Primero le enseñaron a la IA a encontrar las lesiones sospechosas en cuestión e ignorar todo el tejido sano y otros datos irrelevantes. Luego contrataron a radiólogos para etiquetar cuidadosamente las imágenes para enseñar a la IA a enfocarse en los bordes de las lesiones, donde los tumores potenciales se encuentran con el tejido circundante sano, y comparar esos bordes con bordes en imágenes con resultados cancerosos y benignos conocidos.
Las líneas radiantes o bordes borrosos, conocidos médicamente como márgenes de masa, son el mejor predictor de tumores cancerosos de mama y lo primero que buscan los radiólogos. Esto se debe a que las células cancerosas se replican y expanden tan rápido que no todos los bordes de un tumor en desarrollo son fáciles de ver en las mamografías.
“Esta es una forma única de entrenar a una IA sobre cómo mirar imágenes médicas”, dijo Barnett. “Otras IA no están tratando de imitar a los radiólogos; están ideando sus propios métodos para responder a la pregunta que a menudo no son útiles o, en algunos casos, dependen de procesos de razonamiento defectuosos”.
Una vez que se completó el entrenamiento, las investigaciones pusieron a prueba la IA. Si bien no superó a los radiólogos humanos, lo hizo tan bien como otros modelos de computadora de caja negra. Cuando la nueva IA esté mal, las personas que trabajen con ella podrán reconocer que está mal y por qué cometió el error.
En el futuro, el equipo está trabajando para agregar otras características físicas para que la IA las considere al tomar sus decisiones, como la forma de una lesión, que es una segunda característica que los radiólogos aprenden a observar. Rudin y Lo también recibieron recientemente un premio Duke MEDx High-Risk High-Impact Award para continuar desarrollando el algoritmo y realizar un estudio de lectores de radiólogos para ver si ayuda al rendimiento clínico o la confianza.
“Hubo mucho entusiasmo cuando los investigadores comenzaron a aplicar IA a las imágenes médicas, que tal vez la computadora pueda ver algo o descubrir algo que la gente no podía”, dijo Fides Schwartz, investigador de Duke Radiology. “En algunos casos raros, ese podría ser el caso, pero probablemente no sea el caso en la mayoría de los escenarios. Por lo tanto, es mejor que nos aseguremos de que, como humanos, comprendamos qué información ha utilizado la computadora para basar sus decisiones”.
Esta investigación fue apoyada por los Institutos Nacionales de Salud/Instituto Nacional del Cáncer (U01-CA214183, U2C-CA233254), el Laboratorio Lincoln del MIT, los TRÍPODOS de Duke (CCF-1934964) y el Fondo de Incubación de Duke.
.