Aplicando deep learning en el ámbito de la salud

De forma simple, podemos decir que la inteligencia artificial, artificial intelligence, es el intento de conseguir que las máquinas imiten la inteligencia humana para resolver problemas.

La primera vez que oí hablar sobre la inteligencia artificial fue a raíz del enfrentamiento ajedrecístico de Garri Kaspárov contra el ordenador deep blue de IBM en 1996, en el que deep blue venció en la primera partida del enfrentamiento y se convirtió en el primer ordenador que lograba vencer al que se consideraba el mejor ajedrecista de todos los tiempos. No obstante, el campeón mundial se repondría de esta derrota inicial y se impondría o empataría en el resto de partidas del enfrentamiento manteniendo la hegemonía del humano sobre la computadora. Un año después se produjo la revancha y deep blue se alzaría con la victoria , no sin polémica.

La historia de la inteligencia artificial había tenido su primer hito medio siglo antes con la publicación del artículo académico computing machinery and intelligence por parte de Alan Turing en 1950.

En 1956 se produjo una conferencia en la universidad de Dartmouth en Estados Unidos que se considera como el inicio de la investigación en el campo de la inteligencia artificial.

En la década de los 80 aparece el aprendizaje automático o machine learning, que es una rama de la inteligencia artificial, donde se entrenan algoritmos matemáticos que aprenden de los datos introducidos inicialmente y que van sacando conclusiones de nuevos datos que se les van suministrando, sin ser programado previamente.

Dentro de esta rama de la inteligencia artificial podemos diferenciar tres grandes categorías:

• Aprendizaje supervisado o supervised learning : se utilizan datos etiquetados o ejemplos concretos para realizar el entrenamiento.
• Aprendizaje no supervisado o unsupervised learning : no se utilizan datos etiquetados o ejemplos concretos, sino que el objetivo es que el sistema comprenda y abstraiga los patrones de la información directamente.
• Aprendizaje por refuerzo o reinforcement learning : se basa en aprender mediante la propia experiencia en un proceso de prueba y error, y el uso de recompensas y castigos, donde el sistema se va optimizando.

En el año 2010, gracias al enorme avance de la capacidad de computación de los ordenadores, se populariza el aprendizaje profundo o deep learning, un concepto que ya había aparecido en el año 1974 de la mano de Paul Werbos. Esto es una rama del aprendizaje automático, machine learning, que se basa en el uso de redes neuronales artificiales, artificial neural networks o ANN, que intentan imitar el funcionamiento de nuestro cerebro. Los algoritmos de aprendizaje profundo no precisan disponer de reglas programadas previamente, sino que aprenden por sí mismos qué características son las mejores para efectuar una tarea.
 

Dentro del mundo de la imagen médica la gran revolución viene de la mano de la aplicación de las redes neuronales convolucionales, CNN, y de los aceleradores de IA que facilitan una implementación rápida y fácil de las aplicaciones con inteligencia artificial.



Aplicación del aprendizaje profundo, deep learning, en el campo de la imagen médica en los servicios de diagnóstico por imagen.

Las técnicas de aprendizaje profundo se pueden aplicar a diversas tareas que pueden ayudar a los radiólogos en su trabajo:

Esta imagen y la información sobre las tareas sobre las que se puede aplicar el aprendizaje profundo proceden del artículo: Montagnon, E., Cerny, M., Cadrin-Chênevert, A. et al. Deep learning workflow in radiology: a primer. Insights Imaging 11, 22 (2020). https://doi.org/10.1186/s13244-019-0832-5.

 

• Prepocesamiento de imágenes: se refiere a las técnicas que se utilizan para mejorar la calidad de la imagen adquirida en la modalidad, por ejemplo, eliminar ruido de la imagen, o para la reconstrucción de imágenes.
• Segmentación: se refiere a delinear o extraer un volumen de un órgano o lesión en base al análisis de la imagen. Por ejemplo, determinación de volumen de tumores cerebrales.  
• Detección: se refiere a resaltar una subregión específica que probablemente contenga una lesión focal. Por ejemplo, tumores, quistes,...o anomalía.
• Clasificación: se refiere a categorizar las lesiones. Por ejemplo, en benignas o malignas, o dentro de un subtipo de lesiones.  
• Monitorización: se refiere al seguimiento y valoración de los cambios de una lesión a lo largo del tiempo. Por ejemplo, cambios en el tamaño, en la apariencia, etc.
• Predicción: se refiere a aprovechar características específicas para anticipar la evolución de una patología. Por ejemplo, la supervivencia del paciente, el tiempo necesario para la curación, posibles complicaciones, etc.

Las grandes compañías de la industria de las imágenes diagnósticas se han volcado en el desarrollo de aplicaciones basadas en la inteligencia artificial y en particular de las redes neuronales convolucionales (CNN). Podéis ver información sobre sus soluciones en sus portales web:

• Siemens
• GE Healthcare
• Hologic
• Canon
• Agfa
• Fujifilm

Adicionalmente os proponemos que os inicies en este apasionante mundo con vuestro primer proyecto "Hello world deep learning in medical imaging" aprovechando las enormes posibilidades de Docker.