Ciencia de lectura rápida
Tecnología RapidRead
- La Inteligencia Artificial (IA) es innegablemente una parte de nuestra vida cotidiana. Como veterinarios, tenemos la responsabilidad de educarnos sobre la IA y el impacto que tendrá en nuestras prácticas y la atención de nuestros pacientes.
- Este artículo explica el aprendizaje automático en el contexto del diagnóstico por imágenes veterinarias y revisa cómo AIS está en una posición única para desarrollar un producto de IA sólido y preciso.
Artículo escrito por Diane U. Wilson, DVM, DACVR (agosto de 2023)
Sinopsis de IA y Machine Learning
Inteligencia artificial en Antech Imaging Services
Creemos que sabemos sobre inteligencia artificial (IA) y aprendizaje automático (ML). Después de todo, lo encontramos todos los días en nuestras actividades de la vida diaria. La inteligencia artificial puede ser conveniente cuando se dirige a temas de noticias adaptados a nuestros intereses en nuestros dispositivos electrónicos. Podríamos encontrarlo molesto, o incluso una invasión de la privacidad, cuando dirige anuncios de marketing a nuestras búsquedas de Internet más comunes. Estamos fascinados cuando nuestro dispositivo Alexa, Cortana o Google aparentemente puede mantener una conversación con nosotros. Podemos estar emocionados ante la perspectiva de cómo la IA podría mejorar nuestra calidad de vida y, al mismo tiempo, sentirnos preocupados de que la IA pueda algún día lograr la conciencia y comenzar a tomar decisiones que pueden ser catastróficas como el escenario de una película de Hollywood. Al prepararnos para interactuar más con la IA en la medicina veterinaria, debemos resolver este conflicto entre el optimismo y el pesimismo. Para hacer eso, primero debemos entender la diferencia entre el aprendizaje automático generativo y discriminativo.
El apoyo a nuestro proceso
Enseñar a una computadora a leer imágenes: una colaboración multidisciplinaria AIS aprovechó la experiencia en toda la organización y más allá
APRENDIZAJE AUTOMÁTICO
En modelos generativos de aprendizaje automático (o algoritmos), la máquina puede crear soluciones no programadas previamente. Un ejemplo es el chatbot, ChatGPT, que puede aprender, crear y evolucionar conversaciones a medida que se usa. Mientras que, en los modelos discriminativos de aprendizaje automático, la máquina resuelve la información solo en clasificaciones para las que está programada. Es decir, solo identifica y categoriza lo que inicialmente fue entrenado para identificar y categorizar. Un modelo de aprendizaje discriminativo no puede evolucionar a algo más. Actualmente, AIS usa solo modelos discriminativos para técnicas de aprendizaje automático. (Figura 1)
Independientemente de si es optimista o pesimista, ya existe un uso significativo de la IA en la medicina veterinaria. Como en otras áreas de la vida cotidiana, el uso de la inteligencia artificial puede ser transparente para el usuario. Ya sea que el usuario final sea un médico general, un técnico veterinario o un especialista, es posible que no sea evidente que se empleó la inteligencia artificial, total o parcialmente, para alcanzar un objetivo. A veces, la IA se utiliza para ayudar a otro programa en el flujo de trabajo o para ayudar a un especialista a proporcionar información de diagnóstico. Con menos frecuencia, la IA realiza una prueba de diagnóstico completa sin intervención humana.
Al igual que con cualquier nueva tecnología, la IA debe ser respetada por la tecnología infantil que es. Como desarrolladores y usuarios, somos responsables de informarnos sobre las capacidades y limitaciones de la máquina. Los usuarios finales deben comprender las diferencias entre las herramientas nuevas y las herramientas tradicionales en las que confiamos actualmente. Los desarrolladores deben pensar detenidamente y trazar un mapa de las implicaciones de la nueva herramienta. Esto significa no solo centrarse en los beneficios que trae, sino también sopesar completamente el daño que podría causar y tomar medidas responsables para mitigarlo.
Hay tres componentes principales necesarios para crear una herramienta de IA sólida y precisa. La construcción de modelos de IA requiere cantidades masivas de datos, especialistas de dominio y científicos de datos. Antech Imaging Services (AIS) y Mars están en una posición única para reunir todos los componentes necesarios para crear herramientas de diagnóstico de IA para mejorar el rendimiento de los pacientes, acelerar la información al punto de atención y mejorar la medicina veterinaria para mascotas, clientes, veterinarios y técnicos.
Inteligencia artificial
ya está presente
en Medicina Veterinaria
Los flujos de trabajo se mejoran con IA todos los días. La inteligencia artificial está abordando tareas mundanas como mediciones instantáneas del tamaño del corazón vertebral, mediciones lineales y volumétricas, orientación de imágenes para su visualización e identificación y conteo mecánico de células en un portaobjetos. Esto permite a los especialistas, veterinarios y técnicos centrar la atención humana donde más se necesita: en el paciente.
Los informes se crean en segundos y se envían a los médicos de varias especialidades, lo que permite que los próximos pasos en la atención del paciente ocurran antes. Los informes generados por máquinas ahorran tiempo a los profesionales al escribir el registro médico y permiten que su atención se centre en los pacientes y clientes.
En patología, la IA reconoce y cuenta las figuras mitóticas y puede diferenciar los tipos de tejido para ayudar a los patólogos en su flujo de trabajo. En cardiología, el aprendizaje automático se utiliza para leer electrocardiogramas y proporcionar información al médico en cuestión de minutos. Esto es valioso para los estudios previos a la anestesia, donde la información oportuna ayuda a los médicos a tomar decisiones sobre si proceder con cirugías electivas y si son necesarias precauciones especiales en cirugías urgentes. En medicina humana, la IA se utiliza para controlar a los pacientes durante la anestesia. Se ha expresado interés entre los anestesiólogos veterinarios para que la IA controle a nuestros pacientes veterinarios.
El aprendizaje automático debe llevarse a cabo de manera responsable
Como se indicó anteriormente, es fundamental que tanto los usuarios finales como los desarrolladores se eduquen y comprendan las implicaciones tanto positivas como negativas de una determinada herramienta de IA. Hay tres requisitos principales para desarrollar modelos sólidos y precisos. Estas son cantidades masivas de datos, científicos de datos y expertos en dominios. Discutiremos estos desde el punto de vista de la imagen diagnóstica.
Se necesitan grandes cantidades de datos para entrenar un modelo en cada hallazgo. Sin datos, no podemos afirmar de manera confiable las afirmaciones de precisión, sensibilidad y especificidad. En las personas, decimos que uno es un experto en un hallazgo de imagen particular cuando hay experiencia de al menos 500 casos de ese hallazgo. Desafortunadamente, no es así para que una máquina aprenda.
En AIS, hemos determinado que podemos confiar en el nivel medido de precisión, sensibilidad y especificidad de un modelo para un hallazgo en particular, cuando el modelo ha encontrado de cuatro a cinco mil instancias de ese hallazgo. Para hallazgos comunes, como un patrón bronquial pulmonar, el número necesario de casos para garantizar la precisión puede ser fácil de adquirir. Para hallazgos menos comunes, como la discoespondilitis, puede tomar más tiempo y requerir la colaboración entre varios grupos para obtener la cantidad necesaria de casos para entrenar con confianza el modelo.
Además de muchos casos necesarios para entrenar el modelo, se necesitan muchos más casos de un hallazgo particular para probar el modelo. Una vez que se considera que un modelo es preciso en un hallazgo en particular y, por lo tanto, puede liberarse para su uso como herramienta de diagnóstico en los hospitales, el modelo debe probarse periódicamente para garantizar una precisión continua y que no se haya producido ninguna desviación. La deriva ocurre cuando hay cambios sutiles en el entorno, como cambios/mejoras en el equipo a lo largo del tiempo, cambios en el espacio electrónico, cambios/avances en la técnica, etc. Cada vez que se prueba un modelo para un hallazgo dado, se necesitan muchos más casos con ese hallazgo para evaluar con confianza la precisión, la sensibilidad y la especificidad y realizar los ajustes necesarios. Si se realizan ajustes, se necesitan más datos para probar esos ajustes.
Se necesitan expertos en el dominio (especialistas certificados por la junta) para entrenar y medir la precisión de cada modelo. Los radiólogos (patólogos, cardiólogos, dentistas, etc.) pasan horas etiquetando imágenes y ofreciendo datos corregidos que se utilizarán para entrenar, evaluar y volver a entrenar la máquina. Además, es necesario incluir un equipo de expertos en el dominio para que se pueda llegar a un consenso, y la máquina no está entrenada en la opinión de un individuo. Se deben utilizar investigaciones de terceros para validar la precisión en casos conocidos.
Los científicos de datos son la base del equipo de programación necesario para desarrollar algoritmos modelo. Los mejores equipos incluyen científicos de datos con visión para el producto, colaboración sólida con expertos en el dominio y conocimiento de las necesidades del usuario final. Un equipo diverso con subespecialidades únicas (segmentación, regresión, análisis de datos, varios software), así como una sólida comprensión de todos los aspectos de la ciencia de datos, hacen que el equipo sea más sólido y capaz de hacer frente a los obstáculos con soluciones creativas.IA en AIS
AIS y Mars están en una posición única con acceso interno a los tres requisitos principales para desarrollar un producto de IA sólido y preciso. AIS ofrece servicios de telerradiología desde 1999. Con 24 años de informes de radiólogos certificados por la junta y aproximadamente 8 mil millones de imágenes almacenadas, cantidades masivas de datos están fácilmente disponibles. Muchos de los casos tienen seguimiento desde hospitales e informes de patología con diagnóstico definitivo.
Quince radiólogos certificados por la junta en el equipo de IA de AIS trabajan incansablemente para etiquetar imágenes, proporcionar comentarios sobre las evaluaciones de IA y mantener el control de calidad en los informes de estudios piloto para garantizar que la atención al paciente siga siendo primordial. El Equipo de Tecnologías de Próxima Generación de Mars Science and Diagnostics incluye el equipo de diez científicos de datos financiado por AIS, cada uno con amplia experiencia, un conjunto único de calificaciones y una amplia comprensión del aprendizaje automático.
El resultado es RapidRead Radiology de AIS, que ha estado en estudios piloto durante casi dos años en los EE. UU. y Europa. Con la ayuda de los hospitales familiares Mars y no Mars que participan en los estudios piloto, RapidRead Radiology se ha convertido en una sólida herramienta de diagnóstico que brinda consultas a nivel experto para muchos hallazgos en cuestión de minutos. Durante los estudios piloto, RapidRead ha demostrado ser útil para médicos generales, especialistas y médicos de atención nocturna y de emergencia. RapidRead Radiology evalúa actualmente más de 50 hallazgos en el tórax, el abdomen y las extremidades de perros y gatos (Figura 2) y no se publica ningún hallazgo a menos que se demuestre que es al menos un 95 % más preciso que el consenso de nuestro equipo de expertos certificados por la junta. radiólogo.
La aplicación clínica de una lista de hallazgos significa que varios hallazgos diferentes pueden estar presentes en un informe determinado. Cada hallazgo individual puede tener una precisión de al menos el 95%; sin embargo, se debe considerar la contribución general de información del informe al caso.
Las estadísticas de control de calidad actuales de AIS demuestran que la herramienta RapidRead responde adecuadamente a la pregunta clínica asociada con cualquier caso dado el 82 % de las veces cuando se usa sola y sin la supervisión de un radiólogo. Cuando se emplea la supervisión del radiólogo con la revisión RapidRead, la cantidad de informes que aportan información significativa a un caso aumenta al 92 %. El 8 % restante de los casos que se envían no son apropiados para la revisión de RapidRead porque la IA no está entrenada para la parte del cuerpo, la especie o la modalidad en las imágenes enviadas. (Figura 3)
Se ha informado que la precisión del radiólogo es de aproximadamente el 96 % (tasa de error de solo el 4 %). Por esta razón, AIS implementa un sólido sistema de control de calidad con radiólogos certificados por la junta fácilmente en el circuito a través de la revisión diaria de la calidad de los casos presentados, el enrutamiento automático de hallazgos emergentes para la revisión del radiólogo y el envío con un solo clic para solicitar una revisión del radiólogo. Cuando la herramienta RapidRead se usa correctamente, y junto con la supervisión sólida del radiólogo, la contribución de información útil para el caso y la precisión se acercan al 100 %.
A pesar del alto nivel de acuerdo entre RapidRead y los informes de lectura del radiólogo, comprender el uso adecuado de la IA para generar informes de radiología sigue siendo el factor determinante de la utilidad que puede tener una herramienta de este tipo para una clínica individual. Dada la similitud en apariencia y ‘sensación’ del informe RapidRead (Figura 4) y un informe de un radiólogo, es fácil caer en la creencia de que RapidRead es el equivalente de un ‘radiólogo mecánico’ que evalúa todas las anomalías posibles al igual que un radiólogo. Como sea, esto está lejos del caso. Un modelo de inteligencia artificial solo evaluará aquellos hallazgos para los que ha sido entrenado. Por ejemplo, al mirar la lista de hallazgos de RapidRead (Figura 2), es evidente que la verificación de embarazo (recuento de cachorros) no está en la lista. Enviar una consulta a RapidRead esperando saber si la paciente está embarazada o cuántos cachorros hay presentes no brindaría información útil. Considere la analogía de un hemograma completo (CBC) frente a un panel de química. No enviaríamos un CBC esperando recibir información sobre enzimas hepáticas, ya que entendemos que los niveles de enzimas hepáticas no forman parte de la herramienta de análisis CBC. Aproximadamente el 8% de los casos enviados a RapidRead son inadecuados para la evaluación de la máquina. Es decir, se incluye una parte del cuerpo, especie o modalidad para la cual la máquina aún no está entrenada.
También es importante recordar la diferencia entre los modelos de IA discriminativos y generativos descritos anteriormente en este artículo y que RapidRead está construido con modelos de programación de IA discriminativos, no modelos generativos. No está programado para el aprendizaje independiente. Por lo tanto, enviar imágenes de una parte del cuerpo o una especie que actualmente no está evaluada por RapidRead y esperar que «aprenda» de esas imágenes tampoco sería útil.
Por otro lado, RapidRead está ampliamente capacitado en los hallazgos enumerados en la Figura 2. Por ejemplo, si buscamos saber si un paciente tiene cambios cardíacos o pulmonares que podrían contraindicar la anestesia o buscamos determinar si un paciente con signos gastrointestinales está obstruido, entonces RapidRead es una herramienta muy útil para acelerar la información de nivel experto al punto de atención. en cuestión de minutos (frente a las horas o los días de las lecturas tradicionales del radiólogo).
Por otro lado, RapidRead está ampliamente capacitado en los hallazgos enumerados en la Figura 2. Por ejemplo, si buscamos saber si un paciente tiene cambios cardíacos o pulmonares que podrían contraindicar la anestesia o buscamos determinar si un paciente con signos gastrointestinales está obstruido, entonces RapidRead es una herramienta muy útil para acelerar la información de nivel experto al punto de atención. en cuestión de minutos (frente a las horas o los días de las lecturas tradicionales del radiólogo).
Conclusión
La inteligencia artificial ha entrado en nuestra vida diaria a un ritmo emocionante, algunos incluso podrían decir alarmante. Como con toda tecnología nueva, hay un período de aprendizaje y ajuste. Con el conocimiento puede venir la comprensión, a menudo seguida de la asimilación. El uso de IA en medicina veterinaria ya existe en muchas áreas, incluido el flujo de trabajo, la medición y la segmentación, y como herramienta de diagnóstico en algunas especialidades como patología, cardiología y diagnóstico por imágenes.
Comprender los conceptos básicos detrás del aprendizaje automático es la clave para ayudarnos a cada uno de nosotros a comprender mejor su uso en imágenes de diagnóstico. Los desarrolladores deben comprender que se requieren grandes cantidades de datos, científicos de datos y expertos en el dominio para crear un producto de IA responsable y preciso. Los usuarios finales deben comprender el uso adecuado de las herramientas de IA para beneficiar mejor al paciente. Solo cuando estos factores se unen podemos alcanzar nuestro objetivo final de mejorar la vida de las mascotas y los clientes con inteligencia artificial.