Guía práctica de inteligencia artificial aplicada a la imagen radiológica.

15/01/2020

Artículo original: Weikert T, Cyriac J, Yang S, Nesic I, Parmar V, Stieltjes B. A Practical Guide to Artificial Intelligence–Based Image Analysis in Radiology. Invest Radiol. 2019;55: 1-7

DOI: 10.1097/RLI.0000000000000600

Sociedad: Wolters Kluwer @invRadiologyOnline

Palabras clave: artificial intelligence, machine learning, radiology, computer-assisted image processing, medical informatics, natural language processing.

Abreviaturas y acrónimos utilizados: inteligencia artificial (AI), machine learning (ML), deep Learning (DL), radiology information system (RIS), picture archiving and communication system (PACS), digital imaging and communications in medicine (DICOM), natural language processing (NLP), tomografia computarizada (CT)

Línea editorial del número:  Investigative Radiology es una publicación privada con temática de investigación en resonancia magnética, tomografía computarizada, ultrasonido, sustracción digital y nuevas tecnologías. Focalizan de manera importante sus contenidos en medios de contraste intravenoso, exploraciones clínicas y  theranosis. La revista es altamente selectiva, con una ratio de aceptación actual 14% y un factor de impacto de 6.224. 

En este número de enero del 2020 también podemos encontrar artículos sobre novedades en CT: adecuación de dosis, DL, multienergía, experiencia de los fabricantes de gadolinio,  características de algunas secuencias de RM en neuroimagen y riesgos de reacciones adversas a la administración de diferentes tipos de contraste.

Motivo para la selección:  Esta revista me parece muy interesante, puesto que hace énfasis en la divulgación científica de temas punteros en la investigación biomédica basada en la evidencia como la inteligencia artificial, la medicina personalizada y la realidad virtual.

Este artículo de revisión me ha parecido especialmente atractivo puesto que ofrece una temática en tecnología transversal exportable a todo el diagnóstico por la imagen, no tan focalizado en sistema.

Resumen: El uso de AI es una herramienta muy potente de análisis de la imágen médica que en breve será habitual para los profesionales del diagnóstico por la imagen. Hay que tener en cuenta que estos métodos han sido desarrollados  a través de un análisis no-médico de imagen y los departamentos de radiología no están preparados para asumir los cambios que pueda ocasionar ni la confiabilidad de los mismos.

El propósito de esta revisión pretende guiar al lector a través del universo que se abrirá en el análisis de la imagen médica automatizada y así animar a su implementación en los departamentos de radiología.  Al mismo tiempo, estos objetivos de revisión tienen la vocación de habilitar a los lectores a una percepción crítica de las herramientas de AI aplicadas al diagnóstico por la imagen para poder evaluar sus necesidades y planificar su uso.

La búsqueda y recuperación de datos son los dos primeros pasos en planificar un organigrama de AI. Será muy importante modificar la planificación de los flujos de trabajo para que en las cabeceras DICOM figuren los datos necesarios en el PACS y que permitan al RIS integrar los  datos relevantes de la clínica de la persona atendida. Estas interacciones implican unos procesos muy complejos que deben ser auditados con suma precisión puesto que de ello depende el diagnóstico final. Estos datos son los que permitirán que la ML clasifique, etiquete y parametrice la información. Es lo que se llama Curación de los reportes de texto. En la fig 1 aparece un ejemplo de plataforma de búsqueda con datos flexibles. El sistema NLP es una solución para que el sistema ejecute una extracción de la información que permitirá el aprendizaje artificial.

La curación de los datos de imagen implica tres niveles de detalle para etiquetar las imágenes. Clasificación de imagen en bloque, detección de objetos y segmentación. El objetivo de la clasificación de la imagen completa es asignar etiqueta con tipo de estudio (por ejemplo, fractura asignada a radiografía). La detección de objetos requiere de la asignación de etiqueta para cada objeto (Fig 2A) donde se muestra el tumor con parámetros de localización a través de ROI rectangulares (Fig 2B). La segmentación del objeto (Figura 2C) permite la definición en 3D del objeto y la cuantificación de sus parámetros.

Igual que en otras áreas de la ML es importante diferenciar entre en entrenamiento, la validación y los test de la generación de datos. La evaluación estadística de los datos por parte de la inteligencia artificial requiere diferentes métodos: 

  1. Algoritmos que realicen una predicción del tipo de examen en una clasificación.
  2. Detecciones realizadas por hallazgos individuales basados en valores predictivos, sensibilidad y especificidad (precisión científica)
  3. Resultado de los trabajos de segmentación para evaluar la calidad del tejido dañado en comparación con el tejido perilesional

Los requisitos de software y hardware deben ser de alta accesibilidad por parte de diferentes usuarios e integrar diferentes sistemas como Python, Tensor-flow, Keras o Pytorch.

Las peculiaridades de la imagen médica hacen que los datos deban ser gestionados de acuerdo al organigrama que figura en la Fig 4. La manera en que los clínicos, operadores y físicos accedan e introduzcan los datos relevantes de la exploración o historial clínico,  deberán basarse en preconfigurados de alta complejidad. El sistema todavía no está preparado para el reto pero este artículo desvela el camino que deberemos recorrer para que las automatizaciones en el diagnóstico final sean realmente un soporte fiable para los estudios negativos.

Valoración personal: El artículo es de gran actualidad puesto que ofrece una visión pragmática de las luces y las sombras de la tecnología que aprende de la experiencia. La manera en que debemos empezar a realizar cambios en nuestros flujos de trabajo y el aumento en la complejidad de los sistemas de inserción de datos serán determinantes en el éxito final de la AI. Me ha faltado algo de discusión ético legal de las repercusiones de la puesta en marcha de manera protocolizada y la forma en que el colectivo más afectado (médico radiólogo/nuclear) va a adoptar o apoyar estos cambios que se vislumbran como imparables.

 

David Llopis Gonzalez

Hospital Duran i Reynals, IDI Bellvitge, TSIDMN 

vicepresident@actedi.cat

@sonographer4