Generando escaneres cerebrales con IA

Una de las grandes limitaciones que tiene el aprendizaje automático es la gran cantidad de datos que necesita para entrenar un algoritmo; datos que han sido previamente etiquetados. La precisión del algoritmo dependerá directamente del tamaño del set de datos.

Investigadores de Nvidia y varios hospitales se unieron para crear una inteligencia artificial específicamente diseñada para crear escáneres cerebrales realistas de pacientes inexistentes. Esos escaneos podrían usarse para entrenar IAs futuras para las cuales no se tengan suficientes datos reales para entrenar.

Para generar los tumores, el equipo de Nvidia utilizó una red adversaria generativa (GAN), un tipo de algoritmo de aprendizaje automático en el que una parte genera algo y otra lo “valora” (con la esperanza de mejorar la primera). Los investigadores lo alimentaron con dos conjuntos de datos de escáneres cerebrales: uno de los pacientes con enfermedad de Alzheimer, para enseñarle qué aspecto tenían los cerebros no cancerosos, y uno de los pacientes con tumores cerebrales.

Usando esas entradas, una parte del GAN ​​generó imágenes de resonancia magnética (IRM) 3D de cerebros con tumores cancerosos; y la otra parte intentó adivinar si la imagen provenía de una persona real o si fué generada por el algoritmo.

Cuando terminaron de entrenar a la IA, los investigadores probaron si podía diferenciar entre las exploraciones sintéticas y las de los pacientes reales. Los investigadores encontraron que las IAs entrenadas con una combinación de escaneos auténticos y generados por IA podían detectar dónde estaba el tumor en la imagen con un 80% de precisión, mientras que las IAs entrenadas solo con datos auténticos lograban solo el 66%.

Los investigadores entrenaron su sistema usando solo dos conjuntos de datos. Eso significa que cualquier cosa que el GAN ​​genere no irá más allá de lo que esté incluido en ellos. El GAN ​​también podría ser particularmente hábil para generar ciertos tipos de tumores y no otros, lo que podría dañar la capacidad de la IA para diagnosticar una variedad de pacientes en el mundo real.

Aún así, esas preocupaciones no han disminuido el entusiasmo por la IA, según el autor principal, Hu Chang, los radiólogos están ansiosos por usarlo y generar más imágenes de enfermedades raras.