El equipo de Investigación de Google ha compartido dos trabajos de Inteligencia Artificial (IA) que describen un mayor progreso en la investigación de interacción humano-computadora para la búsqueda de imágenes similares en Medicina.
El primero ha sido SMILY en “Búsqueda de imágenes similares para histopatología”. Se trata de una herramienta basada en Aprendizaje Automático o Machine Learning (ML) para la búsqueda de imágenes en reversa para patología, que ya ha sido publicada en Nature Partner Journal (npj) Digital Medicine.
El segundo trabajo ha sido denominado “Herramientas centradas en el ser humano para hacer frente a algoritmos imperfectos durante la toma de decisiones médicas”, que ha recibido una mención de honor en la Conferencia ACM CHI 2019 sobre Factores Humanos en Sistemas de Computación.
Allí, los expertos han explorado diferentes modos de refinamiento para la búsqueda de imágenes similares y han evaluado sus efectos en la interacción del médico con SMILY.
Narayan Hegde, ingeniero de software en Google Health; y Carrie J. Cai, investigadora científica en Google Research, han publicado que los avances en ML han demostrado ser muy prometedores para ayudar en el trabajo de los profesionales de la salud, como ayudar a la detección de la enfermedad ocular diabética y cáncer de mama metastásico.
“Aunque los algoritmos de alto rendimiento son necesarios para ganar la confianza y la adopción de los médicos, no siempre son suficientes: qué información se presenta a los médicos y cómo los médicos interactúan con esa información pueden ser determinantes cruciales en la utilidad que la tecnología ML tiene para los usuarios”.
Entonces, la especialidad médica de la patología anatómica, que es calificada como el estándar de oro para el diagnóstico de cáncer y muchas otras enfermedades a través del análisis microscópico de muestras de tejido, puede beneficiarse enormemente de las aplicaciones de ML.
Y es que se ha afirmado que existe una creciente adopción de la “patología digital”, aunque el diagnóstico mediante patología se realiza tradicionalmente en microscopios físicos, donde las imágenes de alta resolución de muestras de patología se pueden examinar en una computadora.
Desarrollo de SMILY
El primer paso para desarrollar SMILY ha sido aplicar un modelo de Aprendizaje Profundo (Deep Learning, DL), capacitado con cinco mil millones de imágenes naturales no patológicas, tales como perros, árboles, objetos artificiales, entre otras.
La idea, según lo planteado por el equipo de Investigación de Google, ha sido comprimir las imágenes en un “resumen” vector numérico llamado incrustación. La red ha aprendido durante el proceso de capacitación a distinguir imágenes similares, de otras diferentes, al computar y comparar sus incrustaciones.
Este modelo, entonces, se usa para crear una base de datos de parches de imágenes y sus incrustaciones asociadas utilizando un corpus (datos científicos) de diapositivas no identificadas de The Cancer Genome Atlas.
“Cuando se selecciona un parche de imagen de consulta en la herramienta SMILY, la incrustación del parche de consulta se calcula de manera similar y se compara con la base de datos para recuperar los parches de imagen con las incrustaciones más similares”.
Los investigadores han comentado que la herramienta permite al usuario seleccionar una región de interés y obtener coincidencias visualmente similares. Sin embargo, ha surgido un problema cuando observaron cómo interactúan los patólogos con SMILY.
Los usuarios necesitaban la capacidad de guiar y refinar los resultados de búsqueda caso por caso para encontrar realmente lo que estaban buscando. También observaron que esta necesidad de refinamiento de búsqueda iterativa se basaba en cómo los médicos a menudo realizan un “diagnóstico iterativo”.
Es por eso que concluyeron que SMILY necesitaría un enfoque diferente para la interacción del usuario y de esa manera satisfacer sus necesidades reales.
Herramientas de refinamiento interactivas
Los expertos han diseñado y aumentado SMILY con un conjunto de herramientas de refinamiento interactivas que permiten a los usuarios finales expresar lo que significa similitud sobre la marcha.
La primera ha sido refinar por región, que permite a los patólogos recortar una región de interés dentro de la imagen, limitando la búsqueda solo a esa región. En segundo lugar, refinar por ejemplo, que ofrece a los usuarios la posibilidad de elegir un subconjunto de los resultados de búsqueda y recuperar más resultados como esos.
La tercera herramienta ha sido un conjunto de controles deslizantes de refinar por concepto, que pueden usarse para especificar que más o menos de un concepto clínico esté presente en los resultados de búsqueda.
“En lugar de exigir que estos conceptos se incorporen al modelo de Aprendizaje Automático, desarrollamos un método que permite a los usuarios finales crear nuevos conceptos post-hoc, personalizando el algoritmo de búsqueda hacia conceptos que consideran importantes para cada caso de uso específico”.
Según lo publicado por el equipo de Investigación de Google, esto permite nuevas exploraciones a través de herramientas post-hoc después de que un modelo de ML ya haya sido entrenado, sin necesidad de volver a entrenar el modelo original para cada concepto o aplicación de interés.
SMILY, a través del estudio de usuarios con patólogos, basado en herramientas, no solo ha aumentado la utilidad clínica de los resultados de búsqueda de imágenes similares, sino que también ha incremento la confianza y la probabilidad de adopción de los usuarios en comparación con una versión convencional de SMILY sin estas herramientas.
Los investigadores están entusiasmados con el potencial de SMILY para ayudar en la búsqueda de grandes bases de datos de imágenes de patología digitalizadas, a través de estas herramientas de refinamiento interactivas que permiten a los usuarios adaptar cada experiencia de búsqueda a su intención deseada.