Para la medicina actual, los rayos X hacen parte de las herramientas usuales y necesarias para emitir ciertos diagnósticos. A pesar de que es un elemento indispensable que compite con otras técnicas de diagnóstico, la interpretación de las imágenes obtenidas solo puede realizarlas un profesional de la salud. Estas limitaciones quedarían en el pasado, si se pone en práctica un método desarrollado por expertos en inteligencia artificial (IA) que enseña a computadores, la lectura de rayos X.
Este nuevo logro médico-científico fue alcanzado por investigadores del Laboratorio Nacional del Noroeste del Pacífico (PNNL, en inglés) y la organización benéfica SIGN Fracture Care, pionera en la atención ortopédica y el diseño innovador de implantes que aceleran la curación sin necesidad de máquinas de rayos X de quirófano en tiempo real. De acuerdo con una publicación realizada en la revista JMAI (Journal of Medical Artificial Intelligence), este nuevo método pudo desarrollarse gracias a la base de datos quirúrgica de SIGN, conocida como SOSD, que agrupa más de 125.000 casos con 500.000 imágenes asociadas, considerada como una de las más grandes a nivel mundial.
El inmenso volumen de información permitió a los científicos del PNNL diseñar una herramienta computacional para mejorar el rendimiento analítico de las radiografías y mejorar la precisión de los datos introducidos por los especialistas utilizando técnicas de visión computarizada. Según los expertos, la tecnología mencionada ha mejorado dramáticamente en los últimos años debido a los avances en las arquitecturas de aprendizaje profundo. En particular, las redes neuronales convolucionales (redes artificiales) pueden aprender representaciones jerárquicas directamente de las imágenes sin depender de características manuales. En este proceso, cuanto más profunda sea la red neuronal, mayor será el nivel de abstracción de las características aprendidas resultantes.
También le puede interesar: AISLAMIENTO SELECTIVO INDIVIDUAL SE MANTIENE EN OCTUBRE
Rayos X: lectura computarizada reduce los fallos
Al diseñar técnicas de ‘deep learning’, los desarrolladores manejan un conjunto de imágenes que coinciden en tamaño y orientación, lo que facilita una primera parte del proceso de diseño. Sin embargo, en este caso se encontraron imágenes útiles que no se ajustaban a un estándar pero que debían ser incluidas. Al respecto, se menciona en el artículo que una de las mayores dificultades del proyecto era justamente la calidad y tamaño de las imágenes, ya que las radiografías digitales son una minoría y la mayoría de las imágenes son fotografías de radiografías de película.
Como primera etapa, se clasificaron las imágenes de la base de datos como radiografías por medio de un sistema de clasificación binario, creado específicamente para esta herramienta. Debido a que las radiografías tienden a tener un alto contraste y son en su mayoría en blanco y negro, las imágenes no radiográficas tienden a ser a todo color y tienen un contraste menos marcado fue necesaria la manipulación de imágenes para equilibrar mejor el espacio de color.
Esto produjo 5.151 radiografías y 3.994 imágenes no radiográficas para usarlas en el set de entrenamiento. De estas, el 10% de las imágenes fueron apartadas como un conjunto de validación para comprobar la precisión de nuestro modelo. Se creó un set de prueba que contenía 683 radiografías y 111 imágenes no radiográficas para examinar la capacidad de clasificación de nuestro modelo en imágenes inalteradas dentro de la base de datos que almacena los rayos X.
También le puede interesar: EL FUTURO DEL SISTEMA DE SALUD: ENTREVISTA CON CARLOS FELIPE MUÑOZ, GERENTE GENERAL DE CONSULTORSALUD
En una segunda parte de la iniciativa, el objetivo principal fue detectar el número y la ubicación de los implantes quirúrgicos (tornillos, clavos y placas) en las radiografías. Esto se logró con un aplicativo especial que enseña a la máquina a reconocer los implantes quirúrgicos y a ignorar los errores humanos en las imágenes (como dedos u otras marcas que quedan en los rayos X). El modelo de IA aprendió a identificar los elementos gracias al trabajo meticuloso con 300 radiografías.
En las conclusiones del artículo, los científicos mencionan que su modelo de inteligencia artificial trabajó con el modelo R-CNN ResNet-50, afinando sus habilidades para que se enfocara en la ágil detección de clavos, tornillos y placas quirúrgicas en rayos X. Los resultados de la herramienta de detección de objetos se utilizarán en futuros trabajos con el objetivo de sugerir parámetros quirúrgicos óptimos basados en el tipo y la ubicación de la fractura femoral utilizando la información sobre los resultados de los pacientes, cuya información esté disponible en la SOSD.
