Los investigadores de Johns Hopkins utilizaron inteligencia artificial para crear el conjunto de datos más grande y completo de órganos abdominales hasta la fecha para ayudar a los radiólogos a identificar tumores y otras enfermedades de manera rápida y precisa.
Jaimie Patterson / Publicado3 de febrero
Los radiólogos están empezando a utilizar modelos de visión artificial basados en inteligencia artificial para acelerar el laborioso proceso de análisis de imágenes médicas. Sin embargo, estos modelos requieren grandes cantidades de datos de entrenamiento cuidadosamente etiquetados para lograr resultados consistentes y precisos, lo que significa que los radiólogos deben seguir dedicando un tiempo considerable a la anotación de imágenes médicas.
Un equipo internacional dirigido por el profesor distinguido de Johns Hopkins Bloomberg Alan Yuille tiene una solución: AbdomenAtlas, el conjunto de datos de TC abdominales más grande hasta la fecha, que incluye más de 45.000 tomografías computarizadas en 3D de 142 estructuras anatómicas anotadas de 145 hospitales de todo el mundo, más de 36 veces más grande que su competidor más cercano, TotalSegmentator V2. El conjunto de datos y sus implementaciones aparecen en un número reciente de Medical Image Analysis .
Puntos clave
- Los científicos informáticos utilizaron IA para crear el conjunto de datos de órganos abdominales más grande hasta el momento en menos de dos años, una tarea que habría llevado dos milenios a los humanos solos
- El conjunto de datos ayudará a investigadores de todo el mundo a entrenar algoritmos de IA para identificar el cáncer y otras enfermedades sin sobrecargar a los radiólogos.
Los conjuntos de datos de órganos abdominales anteriores fueron compilados por radiólogos que identificaban y etiquetaban manualmente órganos individuales en tomografías computarizadas, lo que requería miles de horas de trabajo humano.
«Para anotar 45.000 tomografías computarizadas con 6 millones de formas anatómicas se necesitaría que un radiólogo experto hubiera comenzado a trabajar alrededor del año 420 a. C. (la era de Hipócrates) para completar la tarea en 2025», dice el autor principal Zongwei Zhou , científico investigador asistente en el Departamento de Ciencias de la Computación de la Escuela de Ingeniería Whiting .
Para hacer frente a este desafío monumental, el equipo dirigido por Hopkins utilizó algoritmos de inteligencia artificial para acelerar drásticamente esta tarea de etiquetado de órganos. Trabajando con 12 radiólogos expertos y otros médicos en formación, completaron en menos de dos años un proyecto que a los humanos solos les habría llevado más de dos milenios.
El método de los investigadores combina tres modelos de IA entrenados en conjuntos de datos públicos de exploraciones abdominales etiquetadas para predecir anotaciones para conjuntos de datos no etiquetados. Utilizando mapas de atención codificados por colores para resaltar las áreas que necesitan refinamiento, el método identifica las secciones más críticas de las predicciones de los modelos para su revisión manual por parte de los radiólogos. Al repetir este proceso (predicción de IA seguida de revisión humana), aceleran significativamente el proceso de anotación, logrando una aceleración 10 veces mayor para los tumores y 500 veces mayor para los órganos, dicen los investigadores.
Título de la imagen:Dos series de cortes de tomografía computarizada abdominal, estándar a la izquierda y segmentación de órganos de AbdomenAtlas a la derecha
Imagencrédito:Universidad Johns Hopkins
Este enfoque permite al equipo ampliar el alcance, la escala y la precisión de su conjunto de datos sin sobrecargar a los radiólogos, lo que da como resultado lo que, según el equipo, es el conjunto de datos de órganos abdominales completamente anotado más grande que existe. Siguen agregando más exploraciones, órganos y tumores reales y artificiales para ayudar a entrenar modelos de IA nuevos y existentes para identificar crecimientos cancerosos, diagnosticar enfermedades e incluso crear gemelos digitales de pacientes de la vida real.
«Al permitir que los modelos de IA aprendan más sobre las estructuras anatómicas relacionadas antes del entrenamiento en dominios con datos limitados (como la identificación de tumores), hemos logrado que la IA se desempeñe de manera similar al radiólogo promedio en algunas tareas de detección de tumores», informa el primer autor Wenxuan Li, un estudiante de posgrado en ciencias de la computación asesorado por Yuille.
AbdomenAtlas también sirve como punto de referencia que permite a otros grupos de investigación evaluar la precisión de sus algoritmos de segmentación médica. Cuantos más datos se utilicen para probar estos algoritmos, mejor se podrá garantizar su fiabilidad y rendimiento en situaciones clínicas complejas, afirman los investigadores de Hopkins.
El equipo se ha comprometido a lanzar AbdomenAtlas al público en general y a plantear nuevos desafíos de segmentación médica utilizándolo, como el desafío BodyMaps en la 27.ª Conferencia Internacional sobre Computación de Imágenes Médicas e Intervención Asistida por Computadora el pasado mes de octubre. Este desafío tenía como objetivo fomentar algoritmos de IA que no solo tuvieran un buen rendimiento teórico, sino que también fueran eficientes y confiables en la práctica en entornos clínicos.
A pesar de los avances que hizo posible AbdomenAtlas, sus creadores señalan que el conjunto de datos solo representa el 0,05 % de las tomografías computarizadas que se adquieren anualmente en los Estados Unidos, y piden a otras instituciones que ayuden a llenar los vacíos.
«La colaboración interinstitucional es crucial para acelerar el intercambio de datos, la anotación y el desarrollo de la IA», escriben los investigadores. «Esperamos que nuestro AbdomenAtlas pueda sentar las bases para ensayos clínicos a mayor escala y ofrecer oportunidades excepcionales a los profesionales de la comunidad de imágenes médicas». Johns Hopkins University News. Traducido al español
Contacto