Deep Learning para la segmentación de imágenes médicas

Desde el ICC se realizan investigaciones en inteligencia artificial que buscan mejorar el diagnóstico de enfermedades a partir del análisis de las imágenes médicas. Recientemente Enzo Ferrante, investigador de CONICET, se incorporó al Instituto de Ciencias de la Computación y en esta nota nos cuenta en detalle cómo es desarrollar métodos computacionales basados en aprendizaje profundo para el análisis de imágenes médicas y qué problemas busca resolver.

Las técnicas relacionadas a la inteligencia artificial (IA), especialmente en aprendizaje automático y aprendizaje profundo, han experimentado un importante salto cualitativo e impacto en diversos dominios. Sin dudas que el campo de la salud no está exento de estos avances, ya que estas técnicas prometen revolucionar el cuidado de la salud en todas las áreas médicas, lo que podría representar el “momento Gutenberg” para la medicina.

Claramente estos avances contribuyen directamente en el apoyo al diagnóstico médico y la toma de decisiones por parte de los profesionales médicos en el tratamiento de enfermedades, ofreciendo ciertas ventajas: reducir el agotamiento del personal médico, disminuir la frecuencia de errores médicos y mejorar la precisión diagnóstica a través de la integración, el análisis y la interpretación de información (grandes volúmenes de datos complejos) por algoritmos y software. También la automatización de actividades repetitivas puede liberar de tiempo al personal de salud para dedicarse a otras tareas de mayor envergadura.

Dentro del ICC, se están desarrollando investigaciones que buscan mejorar la segmentación de las imágenes médicas mediante el uso de modelos basados en IA. Se trata de crear nuevos métodos centrados en redes neuronales para ayudar a los médicos a entender e interpretar estas imágenes. Ahora bien, ¿qué se entiende por “segmentación” de imágenes médicas? Es el proceso de dividir una imagen en regiones o segmentos significativos en función de criterios como color, textura, forma e intensidad de un órgano o parte del cuerpo humano. Por ejemplo, en el caso de la búsqueda de tumores, se puede analizar una resonancia magnética del cerebro, distinguiendo regiones (píxeles) que corresponden a ciertos tejidos sanos (materia gris, materia blanca, etc.) de aquellos asociados al tumor y las distintas partes que lo componen.

“Este es un trabajo que los radiólogos expertos suelen hacer manualmente, y desde el ámbito científico y tecnológico comenzamos a automatizarlo”, puntualiza Enzo Ferrante, investigador de CONICET recientemente incorporado al ICC, quien anteriormente se desempeñaba en el Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional, Sinc(i) CONICET-UNL de Santa Fe.

Ferrante comenta que el año 2012 marcó un punto de inflexión en su carrera de investigador, no sólo porque comenzaron a crecer los métodos de Deep Learning (aprendizaje profundo) en general, sino que durante los años siguientes el ámbito biomédico empezó a potenciar su uso. “Desde ese año, y cada año en particular, asistí a las principales conferencias internacionales de inteligencia artificial e imágenes biomédicas. Los primeros años eran muy pocos los trabajos que utilizaban Deep Learning para abordar problemas como la segmentación, pero con el pasar de los años, la conferencia se fue transformando y ya a partir de 2015 la mayoría de los trabajos publicados estaban basados en estas tecnologías. Todo ello surge porque las redes neuronales convolucionales se pudieron aplicar primero al dominio de la visión artificial en general, y luego a campos más aplicados como la medicina. Desde esa etapa me concentro en mejorar los métodos y los modelos de segmentación”, explica el investigador.

Para entender cómo la IA, y en particular el Deep Learning, segmenta las imágenes, es importante aclarar que a partir de grandes datasets de imágenes biomédicas con sus correspondientes etiquetas creadas por expertos (por ejemplo, la delineación manual de los órganos o lesiones a segmentar en las imágenes), se entrenan algoritmos muy sofisticados que pueden aprender de patrones de los datos o hacer representaciones complejas, con el fin de segmentar distintas imágenes de los órganos del cuerpo. Estos modelos, tales como el publicado por el Dr. Ferrante y su equipo en la revista IEEE Transactions on Medical Imaging se van optimizando cada día más para obtener resultados más precisos y rigurosos.

“Desde hace años me dedico a pensar y proponer nuevos métodos para mejorar la plausibilidad anatómica de los resultados de las segmentaciones de redes neuronales para análisis de imágenes médicas, tratando de que los resultados sean realistas y representativos de lo que se necesita estudiar”, afirma Ferrante.

Deep Learning para entender la estructura del corazón

Uno de los resultados relevantes fue el estudio desarrollado por científicos de Argentina e Inglaterra, que co dirigió Ferrante, donde se obtuvieron datos significativos que correlacionan cambios en el genoma con cambios en la estructura del corazón. El estudio, que fue tapa de la prestigiosa revista Nature Machine Intelligence, utilizó un novedoso método de Deep Learning no supervisado para analizar más de 50.000 imágenes tridimensionales de resonancias magnéticas del corazón e integrarlas con información genética disponible. 

“En el trabajo proponemos una nueva forma de descubrir asociaciones acerca de cómo los cambios en el genoma pueden impactar en la forma del corazón, lo cual abre muchas puertas en el mundo de la cardiología para entender este problema y las patologías asociadas”, describe el investigador del ICC.

Y aclara que la investigación, que recurrió a un novedoso método de Deep Learning no supervisado, cruzó esa información con el resultado del análisis de 50.000 imágenes tridimensionales de resonancias magnéticas del corazón, mejorando en gran medida la capacidad de descubrimiento de genes que influyen en la forma del ventrículo izquierdo. Entre otras cosas, “hallamos 49 ubicaciones genéticas novedosas con alta significancia estadística relacionadas a rasgos morfológicos cardíacos y otros 25 sitios con evidencia sugestiva”, explica.

Problemas comunes asociados a la segmentación de imágenes médicas

A la hora de atacar problemáticas comunes en este campo, Ferrante destaca que uno de los temas en que más se concentra actualmente es el cambio de dominio, que implica mejorar la robustez de los modelos frente a cambios en los datos. “Cuando uno entrena un modelo de aprendizaje profundo en imágenes médicas, se lo hace con datos que provienen de un hospital o de un dataset público. Ahora bien, si ese sistema se usa en otro hospital, en otro dataset, u otra población, muchas veces la performance o tasa de acierto en el rendimiento del modelo se nos viene abajo”, precisa el investigador del ICC.

En este caso, se busca lograr que los modelos sean robustos aún con esos cambios en los datos. “Puede suceder que la máquina con que se entrenaron las imágenes o el protocolo de captura sea distinto al que usamos en la institución médica donde se va aplicar, entonces eso cambia sustancialmente la distribución, intensidad o calidad de las imágenes. También que se entrene un modelo con datos de pacientes de un hospital en Estados Unidos y luego se quiera aplicar de forma idéntica en una institución médica de Argentina. Estos cambios de dominio en términos demográficos pueden también producir una baja en la performance de los modelos, presentando un rendimiento dispar en función de las características demográficas de los pacientes. Por eso necesitamos garantizar que los modelos sean ‘justos’, es decir que funcionen bien para todas las poblaciones y no para algunas, tal como lo discutimos en el artículo publicado en Nature Communications. En esta dirección avanzan parte de mis investigaciones, para las cuales recibimos recientemente el Google Award for Inclusion Research, que otorga Google a investigadores que trabajan en temas con impacto social.”, argumenta el doctor en ciencias de la computación.

En el área de aprendizaje automático este problema se conoce como “generalización de dominio”, donde el objetivo es poder mejorar la robustez frente a cambios en la distribución de los datos, lo que resulta fundamental resolver tanto en el área médica como en cualquier otro dominio aplicado. En este contexto, Ferrante y su equipo han propuesto nuevos métodos para mejorar la generalización de modelos neuronales para análisis de imágenes en base a una técnica conocida como cirugía de gradientes, que no se limita a las imágenes biomédicas sino que puede ser utilizado en cualquier tipo de imágenes. Ese trabajo fue publicado en la prestigiosa Conferencia Internacional de Visión Computacional (ICCV).

Y un ejemplo de aplicación, donde se enfrenta estas complejidades, consiste en el desarrollo de un sistema de IA para el diagnóstico temprano de las enfermedades neurológicas.

En este sentido, Ferrante ha trabajado junto a la empresa Entelai (una start-up argentina que se dedica a explorar nuevas tecnologías asociadas a la Inteligencia Artificial y su uso en la medicina) y otros investigadores del ICC como Diego Fernández Slezak, en el diseño de un sistema para medir el volumen del cerebro y contribuir con la detección temprana de enfermedades neurodegenerativas como la Esclerosis Múltiple o el Alzheimer. La iniciativa contó con el apoyo de la Fundación Sadosky-siendo una de las 16 propuestas seleccionadas en la convocatoria “Soluciones Innovadoras para Desafíos de Software”- y Ferrante trabajó en la tarea de robustecer el modelo de segmentación y análisis de imágenes cerebrales (denominado Entelai Neuro), así como en el diseño de un modelo para la cuantificación y seguimiento de tumores cerebrales, cuyo desarrollo continúa actualmente.

Por último, el investigador del ICC aclara que el objetivo final de estas investigaciones es poder ayudar a los médicos en el desarrollo de tareas que son muy repetitivas y llevan mucho tiempo (como por ejemplo segmentar dónde está el tumor de un paciente), asistiendo fundamentalmente a los procesos diagnósticos. “Los profesionales médicos ven como algo positivo esta introducción de la IA en imágenes médicas, no obstante tienen cierto escepticismo de que funcione, por lo que siempre hay que mostrarles que los modelos funcionan. Y está muy bien que duden, ya que no se puede asumir que porque lo hizo un software es algo correcto. Por ese motivo hacemos muchísimas pruebas en el laboratorio y generamos procesos de control de calidad de los modelos, para finalmente poder transferirlos al escenario de la medicina traslacional, que aún así requiere resolver problemas de implementación“, concluye Ferrante.

DR. ENZO FERRANTE

Estudió Ingeniería de Sistemas en UNICEN (Tandil, Argentina), se doctoró en la Université Paris-Saclay y el INRIA (París, Francia), fue alumno visitante en la Universidad de Stanford (California, EEUU), realizó su postdoctorado en el Imperial College London (Londres, Reino Unido).

A fines de 2017 regresó a la Argentina como investigador repatriado al Sinc(i): Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional dependiente del CONICET y la UNL en la ciudad de Santa Fe. Fue investigador visitante Fulbright en el Martinos Center for Biomedical Imaging asociado a MGH y la Escuela de Medicina de Harvard en Boston, EEUU. Es docente en la Universidad de San Andrés y la Universidad Torcuato Di Tella, y ha dictado cursos sobre aprendizaje profundo en universidades tanto en Argentina como en el exterior. En el año 2020 recibió el premio Estímulo de la Academia Nacional de Ciencias Exactas, Físicas y Naturales, y el premio Ciencia y Tecnología Mercosur, por sus contribuciones al área de inteligencia artificial y análisis de imágenes, y en 2022 el Google Award for Inclusion Research para continuar con sus investigaciones sobre equidad algorítmica.

Desde 2024 es Investigador CONICET en el Laboratorio de Inteligencia Artificial Aplicada (LIAA) del ICC (UBA-CONICET). Además acaba de terminar el dictado de su curso de Deep Learning como profesor invitado del Departamento de Computación de Exactas UBA. Al mismo tiempo, trabaja en destacados proyectos de vinculación y transferencia tecnológica con empresas e instituciones tales como Entelai, FLENI y APOLO BioTech.