Una herramienta de IA predice la edad cerebral y la supervivencia al cáncer

Investigadores del Hospital General de Massachusetts (Mass General Brigham) han desarrollado un nuevo y robusto modelo de inteligencia artificial (IA) capaz de analizar conjuntos de datos de resonancia magnética cerebral para realizar numerosas tareas médicas, como identificar la edad cerebral, predecir el riesgo de demencia, detectar mutaciones en tumores cerebrales y predecir la supervivencia al cáncer cerebral.

La herramienta, conocida como BrainIAC, superó a otros modelos de IA más específicos para cada tarea. Los resultados se publican en 'Nature Neuroscience'.

Un grupo de investigadores cuentan en 'Nature Biomedical Engineering' que los recientes avances en aprendizaje profundo han transformado la inteligencia artificial (IA) médica, lo que ha permitido el desarrollo de herramientas clínicamente traducibles que, en algunos contextos, igualan o incluso superan el desempeño de los expertos. La práctica médica, con sus vastas y diversas fuentes de datos en diferentes modalidades (notas clínicas, imágenes de histopatología, de radiográficas y genómica), presenta un panorama atractivo para que la IA aplicada sintetice datos, aprenda patrones y haga predicciones.

Sin embargo, la escasez y heterogeneidad de los datos etiquetados, en particular para enfermedades raras y casos que involucran procedimientos costosos de adquisición de datos, como la resonancia magnética cerebral, sigue siendo una barrera importante para el desarrollo de herramientas de imágenes de IA clínicamente útiles.

El aprendizaje autosupervisado (SSL) ha surgido como un avance prometedor con su capacidad de aprender información inherente y generalizable a partir de grandes datos no etiquetados que están mucho más disponibles que los conjuntos de datos anotados y específicos de la tarea. Este cambio ha facilitado una transición del aprendizaje de tareas estrechas de modelos de IA médica a un aprendizaje de tareas más generalizadoy eficaz. 

Los algoritmos resultantes, a menudo denominados modelos de base, han demostrado un potencial sustancial en el desarrollo de soluciones clínicamente empleables en varios dominios médicos, como se comunica en 'Computer Science' A pesar de estos avances, la aplicación de SSL a la resonancia magnética cerebral tridimensional (3D) ha sido limitada hasta ahora.

¿Qué es BrainIAC?

"BrainIAC tiene el potencial de acelerar el descubrimiento de biomarcadores, mejorar las herramientas de diagnóstico y acelerar la adopción de la IA en la práctica clínica", ha afirnado el Dr. Benjamin Kann, del Programa de Inteligencia Artificial en Medicina (AIM) del Hospital General de Massachusetts (Mass General Brigham) y autor del estudio. Y ha recordado: "La integración de BrainIAC en los protocolos de imagenología podría ayudar a los médicos a personalizar y optimizar la atención al paciente" 

A pesar de los recientes avances en los enfoques de IA médica, existe una escasez de modelos disponibles públicamente que se centren en el análisis amplio de resonancia magnética cerebral, como hemos comentado anteriormente. La mayoría de los marcos convencionales realizan tareas específicas y requieren un entrenamiento exhaustivo con grandes conjuntos de datos anotados, cuya obtención puede ser difícil.

Además, las imágenes de resonancia magnética cerebral de diferentes instituciones pueden variar en apariencia y según sus aplicaciones previstas (por ejemplo, en neurología frente a oncología), lo que dificulta que los marcos de IA obtengan información similar de ellas. 

48.965 resonancias magnéticas cerebrales

Para abordar estas limitaciones, el equipo de investigación diseñó un núcleo adaptativo de imágenes cerebrales, o BrainIAC. La herramienta utiliza un método llamado aprendizaje autosupervisado para identificar características inherentes de conjuntos de datos sin etiquetar, que posteriormente pueden adaptarse a diversas aplicaciones. Tras preentrenar el marco con múltiples conjuntos de datos de imágenes de resonancia magnética cerebral, los investigadores validaron su rendimiento en 48.965 exploraciones de resonancia magnética cerebral diversas en siete tareas distintas de diversa complejidad clínica. 

Descubrieron que BrainIAC podía generalizar con éxito sus aprendizajes en imágenes sanas y anormales y, posteriormente, aplicarlos tanto a tareas relativamente sencillas, como la clasificación de tipos de resonancia magnética, como a tareas muy complejas o la detección de tipos de mutaciones en tumores cerebrales. El modelo también superó a tres marcos de IA más convencionales y específicos para cada tarea en estas y otras aplicaciones. 

Los autores señalan que fue especialmente eficaz en la predicción de resultados cuando los datos de entrenamiento eran escasos o la complejidad de la tarea era alta, lo que sugiere que el modelo podría adaptarse bien a entornos reales donde los conjuntos de datos médicos anotados no siempre están fácilmente disponibles. Se necesita más investigación para probar este marco con otros métodos de imágenes cerebrales y conjuntos de datos más amplios.