Medical Image Analysis

El análisis de imágenes médicas consiste en usar la visión artificial (CV) y la inteligencia artificial (AI) para extraer información clínicamente útil de las imágenes médicas: detectar hallazgos como nódulos pulmonares o fracturas, delimitar órganos y tumores, medirlos a lo largo del tiempo y clasificar enfermedades. Se aplica a radiografías, TC, RM, ecografías, PET, fotografías de la retina, vídeos de endoscopia y portaobjetos de anatomía patológica digitalizados. Es el paso de interpretación que sigue a la obtención de imágenes médicas, es decir, a los escáneres y métodos de reconstrucción que las producen. Las herramientas de análisis clínico están reguladas como productos sanitarios, y la lista pública de productos sanitarios con IA de la FDA contiene bastante más de mil autorizaciones, la mayoría en radiología.

Cómo funciona el análisis de imágenes médicas#

Las imágenes médicas llegan en formato DICOM, que almacena los datos de píxeles junto con metadatos como los identificadores de pacientes, la configuración del escáner y el espaciado entre cortes. El preprocesamiento depende de la modalidad. Los valores de píxel de la TC son unidades Hounsfield calibradas, así que una «ventana» pulmonar u ósea asigna el rango de intensidad pertinente a la entrada del modelo, mientras que las intensidades de la RM no tienen una escala fija y se normalizan en cada exploración. La TC y la RM generan volúmenes 3D de cientos de cortes, que los modelos procesan corte a corte o como volúmenes, y los portaobjetos de anatomía patológica digitalizados alcanzan miles de millones de píxeles, por lo que se dividen en teselas y se procesan mediante aprendizaje con múltiples instancias cuando solo existen etiquetas para el portaobjetos completo.

Las tareas principales son tareas estándar de visión aplicadas a la anatomía:

• Clasificación de imágenes: asigna una etiqueta a una imagen completa, por ejemplo, si una fotografía de la retina muestra retinopatía diabética que requiere derivación.
• Detección de objetos: dibuja cajas alrededor de hallazgos como nódulos, fracturas o pólipos de colon, para guiar la mirada del profesional clínico.
• Segmentación de imágenes: etiqueta cada píxel o vóxel para delimitar órganos y tumores con el fin de medir su volumen y planificar la radioterapia.
• Registro de imágenes: alinea exploraciones del mismo paciente realizadas en distintos momentos o con diferentes modalidades para poder medir los cambios.

La arquitectura U-Net se diseñó para la segmentación biomédica en 2015, nnU-Net configura automáticamente los flujos de trabajo de U-Net para nuevos conjuntos de datos, y marcos de código abierto como MONAI agrupan estas tareas con cargadores y transformaciones de datos específicos para el ámbito médico.

El ajuste fino de un detector con escaneos etiquetados sigue el mismo flujo de trabajo que en cualquier otro dominio: el conjunto de datos de tumores cerebrales de Ultralytics empareja cortes de resonancia magnética con cajas de tumores, y entrenar Ultralytics YOLO26 con él genera un modelo que marca las regiones tumorales en nuevos cortes:

from ultralytics import YOLO

# Ajusta con datos finos un detector YOLO26 preentrenado con COCO usando cortes etiquetados de RM cerebral
model = YOLO("yolo26n.pt")
model.train(data="brain-tumor.yaml", epochs=100, imgsz=640)

# Detecta regiones tumorales en un nuevo corte de RM
results = model("https://ultralytics.com/assets/brain-tumor-sample.jpg")
result = results[0]

# Guarda el corte con las cajas y las puntuaciones de confianza predichas
result.save(filename="brain_tumor_result.jpg")

Aplicaciones en el ámbito sanitario#

Un patrón de uso muy extendido es el triaje. El software que señala una posible hemorragia cerebral o un ictus de gran vaso en una TC coloca el estudio al principio de la lista de trabajo del radiólogo, y la lectura final del radiólogo sirve también para comprobar el modelo:

Otros usos consolidados abarcan el cribado, la planificación del tratamiento y los procedimientos:

• Cribado: en el ensayo aleatorizado MASAI de Suecia, el cribado mamográfico asistido por IA detectó un 29 % más de cánceres que la doble lectura estándar, sin más falsos positivos, y redujo en un 44 % la carga de trabajo de los radiólogos dedicada a leer las mamografías de cribado. En 2018, IDx-DR se convirtió en el primer producto sanitario autorizado por la FDA para emitir una decisión de cribado de retinopatía diabética sin que un profesional clínico interpretara la imagen.
• Oncología: los modelos de segmentación delimitan tumores y órganos en riesgo para planificar la radioterapia y medir el tamaño del tumor en las exploraciones de seguimiento.
• Anatomía patológica: los modelos analizan imágenes de portaobjetos completos en busca de cáncer, y en 2021 Paige Prostate se convirtió en el primer software de IA autorizado por la FDA para detectar cáncer en biopsias de próstata.
• Endoscopia: los detectores en tiempo real resaltan pólipos durante las colonoscopias, y GI Genius se convirtió en 2021 en el primer producto sanitario de IA de este tipo autorizado por la FDA.

Desafíos y consideraciones#

• Etiquetas de expertos: el etiquetado requiere radiólogos o patólogos, y los expertos discrepan en los casos difíciles, por lo que los conjuntos de datos etiquetados son pequeños y caros.
• Cambio de dominio y aprendizaje de atajos: los escáneres, los protocolos y las poblaciones de pacientes varían entre hospitales. Un estudio de 2018 descubrió que los clasificadores de neumonía entrenados con radiografías torácicas podían identificar de qué hospital procedía una imagen y funcionaban peor con radiografías de hospitales ajenos a sus datos de entrenamiento.
• Sesgo en la IA: los modelos entrenados con poblaciones de pacientes poco representativas tienen un rendimiento inferior en los grupos infrarrepresentados.
• Explicabilidad: los mapas de calor y otras explicaciones ayudan a los profesionales clínicos a comprobar en qué se ha basado un modelo antes de confiar en sus resultados.
• Privacidad y aprendizaje federado: los datos de pacientes están sujetos a la HIPAA en EE. UU. y al RGPD en Europa; hay que desidentificar los encabezados DICOM y el texto incrustado en las imágenes, y el aprendizaje federado entrena modelos en varios hospitales sin agrupar los datos de pacientes.
• Regulación y actualizaciones: los cambios importantes en un modelo autorizado suelen requerir una nueva solicitud regulatoria. La guía definitiva de la FDA de diciembre de 2024 sobre los planes predeterminados de control de cambios permite a los fabricantes especificar en la solicitud original las actualizaciones previstas del modelo y cómo las validarán.