Cómo ayuda la IA a a descifrar imágenes médicas?
Investigadores han desarrollado un método computacional que permite «realizar ingeniería inversa» de la «decisión» de la IA al dividir las imágenes médicas en componentes con una interpretación clínica distinta que son importantes Para la IA.
Comprender el mecanismo de toma de decisiones de los modelos de IA es fundamental para descifrar los procesos biológicos.
Los resultados de la investigación se publicaron recientemente en Nature Communications .
El aprendizaje profundo, que utiliza redes neuronales artificiales, es un método computacional basado en IA capaz de aprender patrones de los datos imitando el proceso de aprendizaje del cerebro humano.
El principal inconveniente de utilizar estos métodos basados en IA es la incapacidad de descifrar el razonamiento detrás de las redes neuronales.
La decisión de la red es una limitación que se debe a que el proceso de entrenamiento de la red se realiza de forma automática, directamente a partir de los datos, sin intervención humana.
Esta desventaja supone una barrera importante para su uso más amplio en campos como la biología y la medicina, donde la explicación no es menos importante que la capacidad de la máquina para tomar decisiones correctas.
El estudiante de doctorado Oded Rotem, bajo la dirección del profesor Assaf Zaritsky desarrolló un método computacional, llamado DISCOVER, para aplicar ingeniería inversa a la IA descomponiendo una imagen en Componentes significativos a través de los cuales la IA toma su decisión.
En colaboración con la empresa israelí AIVF, los investigadores demostraron la capacidad de la tecnología para caracterizar las características del embrión de fertilización in vitro (FIV) que fueron más significativas para la IA a la hora de tomar una decisión con respecto a la visión del embrión.
Para garantizar que la tecnología se pueda aplicar a otros dominios más allá de la FIV, los investigadores demostraron la interpretación de las decisiones de IA para imágenes de resonancia magnética de los cerebros de pacientes con Alzheimer e incluso en imágenes capturadas por una cámara estándar para interpretar cómo la IA distingue entre perros y gatos y entre hombres y mujeres.
El equipo de investigación utilizó una rica base de datos de miles de embriones recolectados por AIVF.
Los embriones fueron fotografiados con un microscopio óptico y los embriólogos de la empresa examinaron y clasificaron cada embrión en función de varias características, como el tamaño del embrión y la cadena de células que lo rodea.
En las etapas iniciales del desarrollo se denomina clínicamente trofectodermo.
Los investigadores demostraron que la IA puede predecir con éxito la calidad del embrión con un rendimiento similar al de un experto humano, pero la IA no ofreció a los investigadores pistas sobre qué características del embrión llevaron a una predicción exitosa.
«El aprendizaje profundo puede identificar patrones ocultos que el ojo humano no puede detectar en imágenes biomédicas.
Sin embargo, esto no es suficiente: para tomar decisiones clínicas o científicas, debemos descifrar el misterio de descubrir lo que la IA identificó, interpretar los datos biológicos o clínicos.
Entendemos la importancia de la explicación y, en base a la interpretación, decidimos los siguientes pasos en el tratamiento o la investigación», explicó el profesor Zaritsky.
IA para descifrar imágenes médicas
El mecanismo de interpretación de DISCOVER se basa en una IA generativa de tipo «deepfake», que permite, por ejemplo, sustituir la cara de una persona en una imagen por otra.
Más concretamente, una segunda red neuronal puede crear imágenes sintéticas de embriones de forma controlada.
La codificación de imágenes se basa en la definición de ciertos componentes de la red, de modo que cada componente será significativo para predecir la calidad del embrión por un lado y codificará partes significativas de la imagen por el otro.
Cada uno de estos componentes codifica partes únicas de la imagen bajo el supuesto de que se traducirán en propiedades interpretables claras y distintas.
Al cambiar gradualmente estos componentes, un componente a la vez, se permite la generación de imágenes de embriones, cada una de las cuales es diferente de la imagen verdadera en una propiedad que es importante para el proceso de toma de decisiones de la IA.
De esta forma, es posible presentar el mismo embrión a un experto de varias maneras, de forma que en cada imagen se «amplifique» artificialmente una propiedad mientras que el resto de la imagen permanece inalterada.
LATAM