Investigadores de la IA de Microsoft para Good Lab y la Universidad de Washington han presentado un nuevo modelo de IA que detecta el cáncer de seno en las resonancias magnéticas con precisión sin precedentes. El sistema, Detallado en la revista radiología , voltea el enfoque tradicional en su cabeza.
En lugar de entrenar en imágenes cancerosas, se aprende lo normal, parece que el tejido sano a la sana a los tejidos sanos a los tises sanos a los que se parece mejor al enfoque tradicional. This method, a collaboration with Fred Hutchinson Cancer Center, improves detection and generates heatmaps to guide radiologists.
The breakthrough could make highly sensitive MRI screenings more efficient and accessible, addressing key challenges in early cancer diagnosis.
>
Un enfoque novedoso para detectar el cáncer
La innovación del sistema se encuentra en un método llamado”detección de anomalías”, que invertida fundamentalmente la lógica tradicional de la capacitación de IA para el diagnóstico médico. En lugar de ser alimentados con miles de ejemplos de tumores malignos para aprender cómo se ve el cáncer, el modelo fue entrenado exclusivamente en imágenes de tejido mamario benigno normal. Esta colaboración entre Microsoft, la Universidad de Washington y el Centro de Cáncer Fred Hutchinson enseña efectivamente a la IA a convertirse en un experto en lo que es saludable.
Esta estrategia contradictoria aborda directamente un desafío persistente en la IA médica: el desequilibrio de datos. En entornos clínicos del mundo real, los conjuntos de datos contienen escaneos abrumadoramente más no cancerosos que los cancerosos, lo que puede sesgar el rendimiento de los modelos convencionales.
al enfocarse en los abundantes datos”normales”, los investigadores crearon un sistema más robusto y eficiente. Como explicó la profesora de radiología de Radiología, Savannah Partridge,”el enfoque, llamado”detección de anomalías”, tiene sentido dado que los investigadores tienen muchas más imágenes no cancerosas que las que muestran enfermedades, por lo que podemos aprovechar nuestros datos de manera más eficiente”. href=”https://pubs.rsna.org/doi/10.1148/radiol.241629″target=”_ en blanco”> capacitado en un vasto conjunto de datos de casi 9,500 exámenes de resonancia magnética recolectados en la Universidad de Washington durante un período de 17 años. Al analizar esta extensa biblioteca, la IA construye una línea de base detallada de las características del tejido sano.
En consecuencia, cuando se presenta una nueva exploración, puede marcar cualquier área que se desvía de esta norma establecida como una anomalía potencial que requiere más investigación. Este método demostró ser altamente efectivo en los estudios retrospectivos, donde el modelo superó a los sistemas de clasificación binaria tradicionales, particularmente en escenarios de baja prevalencia que reflejan la detección de la población real.
Desde un cuadro negro hasta explicables AI
Una barrera significativa a la adopción de la AI en la medicina ha sido el”cuadro negro”donde los modelos entregan un diagnóstico sin revelar el diagnóstico sin revelarse. Este nuevo sistema enfrenta directamente ese desafío al priorizar la explicabilidad. Su característica clave es la capacidad de generar un mapa de calor visual que superpone la imagen de la resonancia magnética, yendo más allá de una simple producción binaria de”cáncer”o”sin cáncer”. Esto transforma la IA de un oráculo opaco en un compañero de diagnóstico transparente para los médicos.
El mapa de calor destaca los píxeles exactos que la IA ha identificado como anómalos, lo que brinda a los radiólogos una guía clara e intuitiva sobre dónde enfocar su atención. Esta localización a nivel de píxel puede ayudar a priorizar casos que necesitan una revisión más rápida, guiar a los proveedores para ordenar imágenes adicionales o indicar el área precisa que requiere una biopsia. Como Felipe Oviedo, analista de investigación senior de Microsoft’s AI for Good Lab, señaló:”Nuestro modelo proporciona una explicación comprensible a nivel de píxel de lo que es anormal en un seno”.
Esta transparencia es crucial para construir confianza clínica y garantizar una implementación segura. La credibilidad del modelo se ve reforzada por la rigurosa validación, donde su se encontró que los mapas de calor no eran significativamente diferentes de las anotaciones manuales dibujadas por los radiólogos humanos expertos . Al mostrar su trabajo, el modelo proporciona un resultado verificable que empodera, en lugar de las mías, los profesionales médicos que lo usan.
Una herramienta prometedora en el camino hacia el uso clínico
A pesar del rendimiento fuerte en estudios retrospectivos, los investigadores están claros de que la herramienta no está lista para el despliegue clínico. Further validation is needed to see how it performs against radiologists in real-world settings.
The goal is to augment, not replace, human expertise. Savannah Partridge, quien también es directora de investigación de imágenes de mama en UW, espera que la tecnología amplíe el acceso a una poderosa herramienta de detección.”Esperamos poder ofrecer una resonancia magnética de senos a más mujeres que nosotros hoy en día porque es una herramienta de detección de senos realmente sensible”, dijo.
El equipo enfatiza la necesidad de una integración cuidadosa y segura en los flujos de trabajo clínicos. Partridge enmarcó el desafío sucintamente:”No es USE [AI], o no, pero ¿cómo lo usas? ¿Cómo lo usas de manera apropiada y segura?”Para ayudar a más investigaciones, el El código del modelo se ha puesto a disposición en github . href=”https://www.microsoft.com/en-us/research/lab/microsoft-research-ai-for-science”target=”_ en blanco”> Iniciativa más amplia de”AI para la ciencia”de Microsoft, que tiene como objetivo construir modelos fundamentales para el descubrimiento científico. Sigue otros proyectos importantes en AI médica, a menudo en colaboración con la Universidad de Washington.
El año pasado, Microsoft introdujo Biomedparse, un modelo diseñado para unificar las tareas de análisis de imágenes médicas. Antes de eso, lanzó Gigapath, un poderoso transformador de visión para analizar diapositivas masivas de patología digital para ayudar en la investigación del cáncer.
Estas herramientas indican un enfoque estratégico en crear una IA especializada que puede analizar datos biológicos complejos. El modelo de detección de anomalías (FCDD) superó la clasificación binaria convencional en escenarios equilibrados y desequilibrados (baja prevalencia).