Revolución IA

La Inteligencia Artificial está llamada a protagonizar la próxima Revolución tecnológica

Inicio

Sobre Revolucionia

Temas

Para saber más

Contacto

Diagnóstico de la Neumonía usando redes neuronales artificiales

Fernando P.    20/11/2017

Temas:  Actualidad    Aplicaciones    Divulgación

Investigadores de la Universidad de Stanford han publicado recientemente un trabajo de investigación en el que describen una red neuronal artificial que es capaz de diagnosticar la existencia de neumonía a partir de imágenes de rayos X.

En Medicina, existen bastantes tareas de diagnóstico que pueden ver incrementada su eficacia por el uso de técnicas de Inteligencia Artificial. No es la primera vez que se describe un sistema de este tipo, aunque en este caso concreto se trata de un sistema bastante exacto.

El diagnóstico de la Neumonía
La Neumonía, como otras patologías que alteran la apariencia y estructura normal de los pulmones, puede ser diagnosticada usando imágenes de rayos X del sistema respiratorio.

Las imágenes de rayos X no son demasiado reveladoras para un profano, pero contienen bastante información que un radiólogo bien entrenado puede reconocer y son de gran utilidad para diagnosticar gran cantidad de patologías.

En general, el proceso de diagnóstico en Medicina suele depender de varias comprobaciones, no suele ocurrir que una sola prueba sea completamente concluyente para diagnosticar una patología, sobre todo si se trata de pruebas sencillas y poco invasivas. En el caso de la Neumonía, una sola imagen de rayos X puede aportar gran cantidad de información.

Teniendo en cuenta que la Neumonía es una afección bastante común y que tiene facilidad para derivar en complicaciones mortales, cualquier mejora en el proceso de diagnóstico de la Neumonía puede repercutir positivamente en la salud de mucha gente.

Básicamente, la obtención de una imagen de rayos X no es algo complicado, pero esa imagen debe interpretarla un radiólogo con el entrenamiento adecuado y no abundan este tipo de profesionales. Es el proceso de interpretación el que tiene margen para ser mejorado en cuanto a velocidad y coste.

Problema de clasificación
Desde el punto de la Inteligencia Artificial, el diagnóstico de la Neumonía (como pudiera ser de otras patologías del sistema respiratorio) puede plantearse como el problema de construir un clasificador que tome como entrada imágenes de rayos X del sistema respiratorio de los pacientes y que como salida asigne cada imagen a una clase perteneciente al conjunto de clases considerado.

En el caso más simple, las clases consideradas podrían ser ausencia o presencia de Neumonía.

Se trata de un problema con un planteamiento sencillo que se puede mejorar introduciendo el concepto de incertidumbre en la clasificación para acercarlo más a lo que uno espera de un diagnóstico. El diagnóstico en Medicina no siempre puede ofrecer una seguridad total, tiende más a parecerse a la probabilidad de determinado suceso.

Construcción de un clasificador para diagnosticar la Neumonía
Para el diagnóstico de la Neumonía, el aprendizaje supervisado es la mejor forma de proceder a la hora de construir el clasificador, dado que es una tarea que ya se realiza bien. Cualquier sistema nuevo debe ser coherente con lo existente y, por tanto, aprender de las fuentes existentes.

A parte de las posibles dificultades técnicas que puedan surgir en el diseño de un clasificador, el principal problema para hacerlo efectivo consiste en conseguir los datos con los casos de entrada que nos servirán para entrenar y validar el clasificador.

En el caso que nos ocupa de la Neumonía, necesitamos imágenes de rayos X de pacientes junto con el correspondiente diagnóstico emitido por un radiólogo (sea este positivo o negativo). Y se necesitan muchas imágenes junto con sus diagnósticos para poder entrenar un clasificador.

Afortunadamente, el National Institute of Health en EEUU ha hecho el trabajo de recopilar un número enorme de imágenes de rayos X del sistema respiratorio de pacientes anónimos, junto con sus diagnósticos, y las ha puesto a disposición de los investigadores. Se trata del orden de 100.000 imágenes correspondientes a unos 30.000 pacientes con todo tipo de diagnósticos imaginables.

CheXNet
Usando esta base de datos de imágenes y diagnósticos, investigadores de la Universidad de Stanford han construido un clasificador muy avanzado que es capaz de diagnosticar Neumonía y otras patologías relativas al sistema respiratorio. Han bautizado al sistema como CheXNet.

CheXNet es una red neuronal artificial de cierta complejidad, configurada como una red de proceso hacia adelante y con muchas capas (121 en este caso), al estilo de los perceptrones multicapa.

CheXNet utiliza una arquitectura muy popular para clasificar imágenes denominada red convolucional. Esta arquitectura permite que cada capa de la red sea capaz de aprender a distinguir determinadas características en la imagen (invariantes por traslación o rotación) y la red, en su conjunto, agrega todas estas características para calcular una probabilidad de que la imagen de rayos X contenga indicios de Neumonía.

El conjunto de todas las imágenes disponibles se ha dividido en conjunto de entrenamiento (80%) y conjunto de prueba (20% restante). De forma que la red se entrena con las imágenes del conjunto de entrenamiento y se evalúa con las imágenes del conjunto de prueba para ver si efectivamente ha aprendido a diagnosticar o si se ha limitado a memorizar el conjuto de entrenamiento.

Adicionalmente, se eligieron 420 imágenes que también fueron trabajadas de forma independiente por 4 radiólogos de la escuela de Medicina en la misma universidad. De esta forma se pudo comprobar el rendimiento de CheXNet contra radiólogos individuales, que es la situación que de verdad interesa analizar. Resultó que CheXNet funcionó igual o mejor que los radiólogos seleccionados.

Empleos en el aire
Ya hemos hablado sobre la posibilidad de que algunos emplemos desaparezcan debido a la disponibilidad de sistemas automáticos basados en técnicas de Inteligencia Artificial que los reemplacen. Curiosamente, Andrew Ng, que es quien mejor ha descrito este fenómeno, es coautor de CheXNet.

Realmente, los radiólogos no deben temer mucho por sus empleos debido a CheXNet u otros sistemas similares que se han desarrollado antes y otros que vendrán en el futuro. El que una red neuronal artificial pueda hacer diagnósticos automáticos a partir de imágenes de rayos X sólo es parte del trabajo.

CheXNet proporciona una probabilidad de que se haya desarrollado Neumonía en la imagen que se le presenta y puede indicar la zona en la que lo ha localizado, pero no puede hacer nada más para justificar su diagnóstico, no puede elaborar un razonamiento, ni puede llegar a conclusiones sobre la validez de la imagen, ni puede refinar su diagnóstico con imágenes y/o datos adicionales. Por supuesto, tampoco puede responder legalmente de su diagnóstico.

Lo que sí puede llegar a ser CheXNet, o sistemas similares que se desarrollen en el futuro, es una potente herramienta que permita a un radiólogo trabajar sobre gran cantidad de imágenes de rayos X, pudiendo centrarse en los casos más complicados y limitándose a validar el trabajo de la red en las situaciones más simples y comunes.

La Inteligencia Artificial es una enorme fuente de nuevas herramientas que pueden ser de gran ayuda para realizar de forma más eficiente trabajos muy complejos, como puede ser el análisis masivo de imágenes para diagnóstico en Medicina.

Para saber más:

• arXiv: CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays with Deep Learning

Artículo original publicado en arXiv que describe el desarrollo de la red neuronal artificial CheXNet y las pruebas a las que ha sido sometida para determinar su rendimiento.

• NIH: NIH Clinical Center provides one of the largest publicly available chest x-ray datasets ...

Anuncio del National Institute of Health sobre la disponibilidad de una gran base de datos con imágenes de rayos X de sistemas respiratorios de pacientes anónimos y diagnósticos sobre las mismas. Esta es la base de datos que ha sido usada para entrenar a CheXNet.