Una nueva inteligencia artificial analiza imágenes y aprende, para acelerar la investigación clínica

La segmentación de imágenes médicas -el proceso de delinear regiones de interés o anomalías en resonancias magnéticas (MRI), radiografías o ecografías- constituye a menudo el primer paso y uno de los más críticos en la investigación clínica y el diagnóstico.

Sin embargo, como bien saben los equipos investigadores, esta tarea es laboriosa y requiere de una gran experiencia. Además, consume un tiempo valioso que podría dedicarse a análisis más profundos, tal y como explica el Instituto Tecnológico de Massachusetts (MIT).

Esta universidad acaba de presentar una inteligencia artificial (IA) aplicada a la medicina, MultiverSeg. Analiza las imágenes médicas, se centra en las áreas de interés, aprende y compara. Es decir, reduce drásticamente el tiempo dedicado a esta labor.

El análisis de imágenes médicas es laborioso y requiere de una gran experiencia

Sin intervención humana

Para el ojo no entrenado, una imagen médica "parece ser una colección turbia de manchas blancas y negras". Descifrar dónde comienza o termina una estructura biológica, como un tumor o la corteza cerebral, puede ser arduo.

La tarea se complica porque este tipo de "imágenes" suelen ser volúmenes 3D, un formato para el que los seres humanos no están preparados de forma intuitiva. Tradicionalmente, entrenar sistemas de Inteligencia Artificial (IA) para reconocer estos límites requiere que investigadores y clínicos etiqueten manualmente innumerables imágenes, un proceso "tedioso de recopilación de datos".

MultiverSeg, ofrece un enfoque "rápido y flexible" que permite a los profesionales segmentar conjuntos de datos completos de forma escalable sin necesidad de repetir el esfuerzo humano en cada imagen.

Evolución

Antes de MultiverSeg, el equipo del MIT ya había introducido una herramienta interactiva similar: ScribblePrompt. Se trata de un modelo de IA interactiva que puede resaltar estructuras anatómicas en diversos escaneos médicos.

Su interfaz es sencilla: los usuarios pueden "garabatear (scribble en inglés) sobre el área aproximada" que desean segmentar, hacer clic o usar un recuadro delimitador, y la herramienta resalta la estructura completa o el fondo solicitado.

ScribblePrompt supuso un avance significativo y demostró ser "más rápido y más preciso que los métodos de segmentación interactiva comparables", con lo que reducía el tiempo de anotación en un 28% en comparación con Segment Anything Model (SAM) de Meta (compañía matriz de Facebook, Instagram y WhatsApp, entre otras), por ejemplo.

De hecho, un estudio de usuarios entre investigadores de neuroimagen en MGH concluyó que el 93,8% prefería el enfoque de ScribblePrompt sobre SAM para mejorar los segmentos mediante correcciones con “garabatos”.

Sin embargo, los sistemas interactivos anteriores, incluido ScribblePrompt, tenían una limitación fundamental: el usuario debía "repetir independientemente el mismo proceso para cada imagen".

Aquí es donde entra en juego MultiverSeg, un sistema que combina las fortalezas de la segmentación interactiva con la capacidad de aprender en contexto.

Aprendizaje

La herramienta permite segmentar un conjunto de datos completo sin requerir acceso a datos etiquetados preexistentes para esa tarea o dominio.

La innovación central radica en su capacidad para utilizar un "conjunto de contexto". A medida que el usuario segmenta más imágenes, estas y sus segmentaciones resultantes se convierten en entradas adicionales para el modelo, con lo que se alimenta el conjunto de contexto.

Hallee Wong, doctoranda del MIT y autora principal del artículo sobre MultiverSeg, explica el objetivo del proyecto: "Queremos aumentar, no reemplazar, los esfuerzos de los trabajadores médicos a través de un sistema interactivo". MultiverSeg logra esto porque es progresivamente más eficiente. A medida que el conjunto de contexto crece, "el número de interacciones necesarias para lograr una segmentación precisa disminuye".

Acelerar la investigación

La segmentación manual consume tanto tiempo, que muchos científicos pueden segmentar "solo unas pocas imágenes por día para su investigación". Hallee Wong sostiene que la esperanza es que esta tecnología "facilite la innovación en la ciencia al permitir a los investigadores clínicos llevar a cabo estudios que antes estaban prohibidos debido a la falta de una herramienta eficiente".

A largo plazo, esta tecnología de IA interactiva tiene el potencial de acelerar los estudios de nuevos métodos de tratamiento, la cartografía de la progresión de enfermedades y, consecuentemente, reducir el coste de los ensayos clínicos y la investigación médica. Incluso podría ser utilizada por médicos en aplicaciones clínicas prácticas, como la planificación de tratamientos de radiación.