Se ha demostrado que una técnica basada en IA para acelerar las resonancias magnéticas produce resultados tan buenos o mejores que los métodos tradicionales en una comparación ciega realizada por radiólogos expertos. El sistema reduce a la mitad o incluso a la cuarta parte el tiempo necesario para obtener un buen escaneo sin sacrificar la calidad, lo que podría reducir los tiempos de espera y los costos correspondientemente.
FastMRI es un proyecto que comenzó en 2015 en NYU y se convirtió en un esfuerzo de equipo con Facebook AI Research (FAIR) hace casi exactamente dos años. La experiencia médica y de imágenes por parte de NYU fue una buena combinación con la experiencia en IA de FAIR, y la colaboración ha sido fructífera.
La idea detrás de esto es bastante simple de entender. Las resonancias magnéticas pueden tardar entre 15 minutos y una hora, según la cantidad de datos que se deban recopilar, desde qué ángulos, etc. Este puede ser un proceso muy difícil para el paciente, ya que debe permanecer inmóvil dentro de una máquina grande y ruidosa y, por supuesto, eso significa que una máquina solo puede escanear a un número determinado de personas por día, lo que aumenta los costos y los tiempos de espera.
El equipo de FastMRI teorizó que algunos de los datos recopilados son esencialmente redundantes, y un sistema de aprendizaje automático bien entrenado podría llenar los vacíos si se recopilara menos información en primer lugar. Solo funcionaría porque las resonancias magnéticas (de las rodillas en este caso) son muy ordenadas y predecibles en muchos sentidos, y hay una gran cantidad de imágenes para que una IA aprenda.
En los últimos dos años, el equipo elaboró un estudio mediante el cual los radiólogos clínicos examinaron tanto las resonancias magnéticas generadas tradicionalmente como las creadas por una IA utilizando sustancialmente (alrededor del 75 %) menos datos de origen, sin saber nunca cuál era cuál, naturalmente, y al menos un mes aparte uno del otro.
Los resultados fueron bastante prometedores:
El estudio encontró que no hubo diferencias significativas en las evaluaciones de los radiólogos. Encontraron las mismas anomalías y patologías independientemente de si estaban examinando las resonancias magnéticas estándar o generadas por IA. Todos los examinadores consideraron que las imágenes aceleradas por IA tenían una mejor calidad general que las tradicionales. Cinco de los seis radiólogos no pudieron discernir correctamente qué imágenes se generaron con IA.
Es interesante que el grupo de imágenes de IA fue calificado universalmente mejor que el grupo de verdad en tierra, pero solo una persona pudo decir cuál era cuál a una tasa mejor que la casualidad.
“Existen ligeras diferencias en la cantidad y el tipo de ‘ruido’ en las resonancias magnéticas tradicionales y generadas por IA que un radiólogo podría haber notado”, dijo Larry Zitnick de FAIR, uno de los autores del artículo. Tenía curiosidad acerca de cómo la IA podría producir imágenes “mejores”, y me complació con algunos detalles:
“Dado que la IA aprende sobre las rodillas de resonancias magnéticas anteriores, es decir, cómo se ven las rodillas típicas, puede mejorar la apariencia de la resonancia magnética al eliminar el ruido u otros artefactos”, dijo Zitnick. “Entonces, por ejemplo, el ruido blanco parece un patrón aleatorio para la IA, por lo que es difícil aprender a reproducirlo. Sin embargo, la estructura de las rodillas humanas es similar en todos los pacientes, lo que facilita su aprendizaje y reconstrucción. Como resultado, cuando la IA reconstruye la rodilla, tiende a reducir el ruido (lo que tiene problemas para aprender) y aumenta las estructuras (lo que aprende)”.
IRM tradicional, a la izquierda, y IRM acelerada por IA, a la derecha, utilizando una cuarta parte de los datos. (Imagen: Universidad de Nueva York/Facebook)
La investigación viene con un par de pequeñas advertencias. Por un lado, actualmente solo se ha demostrado que funciona para las rodillas, aunque los escáneres cerebrales son la próxima parada y no hay razón para pensar que no funcionará para esos y otros tipos.
El estudio también se basa en datos que no son exactamente cómo se recopilarían en la práctica, ya que los escaneos submuestreados eran escaneos tradicionales con datos eliminados (por lo que la versión de IA se puede comparar fácilmente con el original) en lugar de escaneos que nunca recopilaron el información “extra” en primer lugar. Sin embargo, debido a la naturaleza de las resonancias magnéticas, eliminar la información y nunca recopilarla es prácticamente lo mismo, por lo que es posible que esto no importe en absoluto. Pero hay una cierta cantidad de confianza necesaria para que un hospital no haga un escaneo completo, ya que puede ser la única oportunidad de obtener ese escaneo.
El estudio es un paso importante para hacer que esta práctica sea realmente utilizable en un centro médico con pacientes reales que tienen prisa. Si se acepta de esta manera, podría reducir considerablemente no solo el tiempo que alguien podría pasar en la máquina, sino también ayudar a los radiólogos a cambiar los diagnósticos más rápido y ayudar a más pacientes.
Source link