Inteligencia artificial y análisis de radiografías torácicas: un estudio realizado por investigadores de YULCOM Technologies, de la Universidad Concordia y de la Universidad McGill sobre la clasificación multietiqueta de enfermedades pulmonares
El equipo de I+D de YULCOM Technologies contribuyó a la investigación y a la publicación en lengua inglesa del artículo titulado:
“Clasificación jerárquica multietiqueta de radiografías torácicas inspirada en la práctica clínica, con una función de pérdida basada en penalizaciones”.
Este artículo, coescrito por el equipo de I+D de YULCOM en colaboración con la Universidad Concordia (Gina Cody School of Engineering and Computer Science) y la División de Oncología Radioterápica del Centro Universitario de Salud McGill, contó con el apoyo de una subvención Discovery del NSERC de Canadá (RGPIN-2017-06722).
El artículo está disponible en arXiv.
Los investigadores Mehrdad Asadi, Komi Sodoké (PhD), Ian J. Gerard y Marta Kersten-Oertel (PhD) proponen un enfoque de inteligencia artificial (IA) para la clasificación multietiqueta de radiografías torácicas (CXR), con el objetivo de mejorar la precisión diagnóstica y, al mismo tiempo, reforzar su interpretabilidad clínica.
En el ámbito médico, la IA se presenta como una herramienta de apoyo a la toma de decisiones que permite abordar varios desafíos: la sobrecarga de trabajo de los radiólogos, la variabilidad de los diagnósticos y el riesgo de errores. Sin embargo, los enfoques clásicos de IA presentan limitaciones, en particular su incapacidad para integrar las relaciones clínicas entre enfermedades y su falta de transparencia.
Para superar estas limitaciones, el equipo de I+D de YULCOM, en colaboración con la Universidad Concordia y la División de Radiooncología del Centro Universitario de Salud McGill, introduce un enfoque jerárquico inspirado en el razonamiento médico. También proponen una nueva función de pérdida (HBCE) que penaliza las incoherencias entre las predicciones, haciendo que los resultados sean más coherentes desde el punto de vista clínico.
El artículo presenta un enfoque de inteligencia artificial aplicado al análisis de radiografías torácicas (CXR) para la clasificación multietiqueta de enfermedades pulmonares. El objetivo principal es mejorar la precisión de los diagnósticos, al tiempo que se hacen los modelos más interpretables y útiles en la práctica clínica.
En el ámbito médico, la IA se utiliza como una herramienta de apoyo a la decisión para hacer frente a varios desafíos: la sobrecarga de trabajo de los radiólogos, la variabilidad en las interpretaciones y el riesgo de errores diagnósticos. Sin embargo, los enfoques clásicos de IA presentan limitaciones importantes: a menudo consideran las enfermedades como independientes y carecen de transparencia.
Para abordar estas limitaciones, los autores proponen un enfoque innovador de IA inspirado en el razonamiento clínico. Organizan las enfermedades según una estructura jerárquica que refleja las relaciones reales entre patologías. También introducen una función de pérdida específica (HBCE) que penaliza las incoherencias en las predicciones (por ejemplo, predecir una enfermedad específica sin su categoría general).
El modelo se basa en una arquitectura de deep learning entrenada sobre el conjunto de datos CheXpert e integra mecanismos para mejorar la interpretabilidad: visualización de las zonas relevantes (Grad-CAM) y estimación de la incertidumbre (Monte Carlo dropout).
Los resultados muestran un buen rendimiento (AUROC ≈ 0,903), con una mejora notable cuando se utilizan penalizaciones basadas en los datos. El enfoque permite, sobre todo, producir predicciones más coherentes desde el punto de vista médico.
El artículo demuestra que la integración de conocimientos clínicos en los modelos de IA permite desarrollar sistemas más fiables, más interpretables y mejor adaptados a su uso en entornos clínicos reales.
La IA se presenta, por tanto, como una herramienta complementaria a los médicos, capaz de mejorar la calidad y la rapidez del diagnóstico, sin sustituirlos.
