El modelo de IA funciona como un cartógrafo moderno en la detección de enfermedades. Científicos desarrollan una nueva tecnología de IA pa...
El modelo de IA funciona como un cartógrafo moderno en la detección de enfermedades.
Científicos desarrollan una nueva tecnología de IA para detectar enfermedades. La innovadora herramienta no solo identifica patologías en exámenes médicos, sino que también crea “mapas del tesoro” visuales para ayudar a encontrarlas.
La innovadora herramienta de inteligencia artificial no solo identifica enfermedades y tumores en exploraciones médicas, sino que también crea "mapas del tesoro" visuales para ilustrar su proceso de diagnóstico.
La innovadora herramienta de IA no solo identifica enfermedades y tumores en exámenes médicos, sino que también crea "mapas del tesoro" visuales para ilustrar su proceso de diagnóstico.
Investigadores del Instituto Beckman de Ciencia y Tecnología Avanzadas han desarrollado un innovador modelo de inteligencia artificial (IA) que está marcando nuevas pautas en el diagnóstico médico.
La innovadora herramienta no se limita a identificar enfermedades y tumores en los reconocimientos médicos, sino que también crea "mapas del tesoro" visuales para ilustrar su proceso de diagnóstico.
Este avance permite a los médicos comprender y verificar fácilmente los hallazgos de la IA y explicar claramente los resultados a los pacientes, afirmaron los responsables del descubrimiento.
"La idea es ayudar a detectar el cáncer y la enfermedad en sus primeras etapas, como una X en un mapa, y entender cómo se tomó la decisión", dijo el investigador principal, Sourya Sengupta, destacando el impacto potencial de su trabajo.
Nuestro modelo ayudará a simplificar ese proceso y hacerlo más fácil tanto para los médicos como para los pacientes", concluyó.
Los resultados publicados en la revista IEEE Transactions on Medical Imaging, demuestran las capacidades del modelo y se espera que sean prometedores para el futuro de la atención médica.
Detectar enfermedades con 'e-maps'
El desafío de las actuales tecnologías de IA en medicina, ha sido su naturaleza de “caja negra”: pueden proporcionar una respuesta, pero no el razonamiento detrás de ella.
Esta opacidad ha sido un obstáculo, especialmente cuando la precisión y la confianza son primordiales en los diagnósticos médicos. El modelo de IA del Instituto Beckman resuelve este problema, produciendo un mapa de equivalencia (E-map) para cada diagnóstico, que resalta visualmente las regiones de interés que llevaron a sus conclusiones.
Este modelo ha sido probado rigurosamente en miles de imágenes médicas, lo que demuestra su capacidad para igualar la precisión de las herramientas de diagnóstico de IA existentes y, al mismo tiempo, proporciona la transparencia tan necesaria. Su desempeño ha sido evaluado en la detección de varias afecciones, incluidos signos tempranos de tumores, degeneración macular (trastorno ocular) y agrandamiento del corazón, con resultados prometedores.
La inteligencia artificial puede ayudar a los equipos de ambulancia a salvar vidas
"La pregunta es entonces: ¿Cómo podemos aprovechar los conceptos subyacentes a los modelos lineales para hacer que las redes neuronales profundas no lineales también sean interpretables de esta manera?", dijo Mark Anastasio, quien codirigió el estudio.
"Este trabajo es un ejemplo clásico de cómo las ideas fundamentales pueden conducir a algunas soluciones innovadoras para modelos de IA de vanguardia".
Los investigadores esperan que los modelos futuros puedan detectar y diagnosticar anomalías en todo el cuerpo e incluso diferenciarlas.
"Estoy entusiasmado con los beneficios directos de nuestra herramienta para la sociedad, no solo en términos de mejorar el diagnóstico de enfermedades, sino también de aumentar la confianza y la transparencia entre médicos y pacientes", añadió Anastasio.
La funcionalidad de autointerpretación de su modelo de IA representa un paso adelante potencialmente importante, ya que ofrece un sistema transparente que mejora la comunicación médico-paciente y podría resultar más confiable a medida que avanza la tecnología.
Referencia de la noticia:
Sengupta, S.; Anastasio, M. A.; A Test Statistic Estimation-based Approach for Establishing Self-interpretable CNN-based Binary Classifiers, IEEE Transactions on Medical Imaging (2024).
