Actualizado 18 de septiembre 2018
La inteligencia artificial (IA) se está convirtiendo en un componente importante de muchas aplicaciones, incluido el descubrimiento de fármacos, el monitoreo remoto de pacientes, el diagnóstico médico y la imagen, la gestión de riesgos, los dispositivos portátiles, los asistentes virtuales y la gestión hospitalaria. También se espera que el análisis de datos de secuenciación de ADN y ARN, se beneficien del uso de la IA. Los campos médicos que dependen de datos de imágenes, incluidos radiología, patología, dermatología, psiquiatría, cirugía y oftalmología, ya han comenzado a beneficiarse de la implementación de métodos de IA.
Los avances recientes en la investigación de la IA han dado lugar a nuevos algoritmos de aprendizaje profundo no deterministas que no requieren una definición explícita de características. Esto es un paradigma diferente en el aprendizaje automático. Sin una predefinición o selección explícita de funciones, estos algoritmos aprenden directamente al navegar por el espacio de datos, lo que les brinda capacidades superiores de resolución de problemas. Las redes neuronales convolucionales (CNN) son las tipologías de arquitectura de aprendizaje más utilizadas en imágenes médicas en la actualidad.
La CNN es un tipo de Red Neuronal Artificial con aprendizaje supervisado que procesa sus capas imitando a la corteza visual para identificar distintas características en las entradas que en definitiva hacen que pueda identificar objetos y “ver”. Para ello, la CNN contiene varias capas ocultas especializadas y con una jerarquía: esto quiere decir que las primeras capas pueden detectar líneas, curvas y se van especializando hasta llegar a capas más profundas que reconocen formas complejas como un rostro o la silueta de un animal.
De esta forma la serie de capas sucesivas de una mapean sucesivamente las entradas de imágenes a los puntos finales deseados mientras aprenden características de imágenes de nivel cada vez más alto. A partir de una imagen de entrada, las «capas ocultas» dentro de las CNN suelen incluir una serie de operaciones del operador matemático denominado la convolución y agrupación que extraen mapas de características y realizan la agregación de características, respectivamente. A estas capas ocultas les siguen capas completamente conectadas que proporcionan un razonamiento de alto nivel antes de que una capa de salida produzca predicciones. Las CNN a menudo se entrenan de principio a fin con datos etiquetados para el aprendizaje supervisado.
Las Redes neuronales Convolucionales, CNN aprenden a reconocer una diversidad de objetos dentro de imágenes , pero para ello necesitan “entrenarse” de previo con una cantidad importante (por. Ej. . 10000) de muestras y de ésta forma las neuronas de la red van a poder captar las características únicas -de cada objeto- y a su vez, poder generalizarlo – a esto es lo que se le conoce como el proceso de «aprendizaje de un algoritmo. La red podrá reconocer por ejemplo un cierto tipo de célula porque ya la ha «visto» anteriormente muchas veces, pero no solo buscará células semejantes sino que podrá inferir imágenes que no conozca pero que relaciona y en donde podrían existir similitudes, y esta es la parte inteligente del conocimiento.
Hosny A, Parmar C, Quackenbush J, Schwartz LH, Aerts HJ W L. Artificial intelligence in radiology. Nat Rev Cancer 2018; 18:500-10.