Inteligencia artificial para evaluar la insuficiencia renal
Como resultado de una investigación liderada por el investigador asistente del CONICET Diego Comas, se publicó recientemente en la Revista Argentina de Bioingeniería un trabajo en el que proponen el uso del análisis de imágenes para evaluar muestras de líquido peritoneal en personas con insuficiencia renal. Esta técnica permitiría detectar precozmente una posible complicación, sin que el paciente deba acercarse a un centro de Nefrología, mejorando sustancialmente su calidad de vida.
El trabajo que llevan adelante consiste en el desarrollo de métodos de segmentación y clasificación automática de imágenes médicas a través de técnicas centradas en Inteligencia Computacional, en particular utilizando las redes neuronales basadas en aprendizaje profundo. Esta temática reúne a especialistas del Laboratorio de Procesamiento de Imágenes (LPI), dirigido por la Dra. Virginia Ballarin y del Laboratorio de Bioingeniería (LABI) dirigido por el Dr. Gustavo Meschino, ambos pertenecientes al Instituto de Investigaciones Científicas y Tecnológicas en Electrónica (ICyTE, CONICET-UNMDP).
El trabajo mancomunado de estos grupos de investigación busca desarrollar métodos para encontrar la solución de problemas de segmentación de imágenes, el cual consiste en la división de la imagen en regiones de interés. En el caso de imágenes médicas reside en la identificación de tejidos, órganos y subestructuras y su posterior clasificación. El trabajo publicado consistió en determinar si una imagen correspondiente a líquido resultante de diálisis peritoneal proviene de una muestra normal o patológica. Y a través de este aporte asistir al personal médico en las tareas de diagnóstico y seguimiento de patologías.
La utilización de este tipo de técnicas puede ayudar a comparar volúmenes, morfologías y características con otros estudios u otras regiones de la misma imagen, estudiar la distribución de los diferentes tejidos dentro del cuerpo humano, detectar lesiones, comprender la anatomía, planificar cirugías y terapias de radiación, detectar tejidos anormales, tomar decisiones sobre diagnóstico y tratamiento, entre otras tareas. Los especialistas señalan que dada su relevancia, es indispensable que cualquier método que se desarrolle sea correctamente validado de tal manera que se conozca su tasa de error.
El artículo titulado: “Early detection of peritoneal dialysis complications through convolutional neural networks” presenta un método basado en redes neuronales convolucionales partiendo de la Alexnet y utilizando transfer learning.
Las redes neuronales artificiales son modelos matemáticos que intentan “imitar” la forma de reaccionar ante estímulos de las neuronas. Básicamente imitan la forma de procesar la información que tenemos los seres humanos. Las redes neuronales convolucionales van un paso más allá y fueron ideadas específicamente para procesar imágenes. Son más complejas que las redes tradicionales. La idea básica detrás de ellas es poder describir colores, formas, texturas para posteriormente identificar objetos, rostros presentes. “Si bien los fundamentos de estos modelos se conocen desde hace algunas décadas, recién desde el 2012 aproximadamente la tecnología las ha vuelto relativamente accesibles, dando lugar a un enorme auge de estos modelos aplicados a muchos problemas con imágenes. Estas redes forman parte de lo que se conoce como aprendizaje profundo (o deep-learning en inglés)”, explica Comas.
Por otro lado, la Alexnet es una red neuronal convolucional originalmente propuesta por Alex Krizhevsky y colegas en el 2012 para resolver el ImageNet Large Scale Visual Recognition Challenge, un reto público que consistía en poder clasificar con el menor error posible un conjunto de imágenes conocido como ImageNet que contiene más de 14 millones de imágenes correspondientes a más de 20.000 objetos diferentes. El objetivo es que la red pueda identificar qué objeto está presente en cada imagen.
Meschino relata que la complejidad propia de las redes convolucionales (por su elevado número de componentes) hace que se requieran grandes cantidades de imágenes para su adecuado entrenamiento (para que “aprenda con ejemplos” qué contiene cada imagen), lo que hace la tarea de diseño y entrenamiento es sumamente compleja tanto en tiempo como en hardware requerido (lo que se conoce como costo computacional), llegando a tardar semanas o meses en producir resultados aún con equipos actuales. “Esto a su vez tiene otro matiz: también se requieren grandes cantidades de imágenes con su etiqueta (Gold-Standard). Debido a esto, las redes convolucionales están muchas veces lejos de poder ser aplicadas a situaciones prácticas. Existe un enfoque llamado transferencia de conocimiento (o transfer-learning en inglés), que permite reutilizar parte de una red previamente entrenada y adaptarla a un objetivo distinto del original. Esto supone reentrenar solo una parte de la red, lo que reduce significativamente el costo computacional. Por ejemplo: una red que fue entrenada para reconocer diferentes tipos de animales puede utilizarse parcialmente, reentrenándola, para reconocer radiografías de neumonía, COVID y normalidad”, agrega Comas.
Toda esta tarea de tiempo y dedicación se logra en equipo y según relata Meschino. “para este tipo de proyectos formamos equipos con integrantes que pueden provenir de diferentes laboratorios de la facultad y otros investigadores externos. Por afinidad con las temáticas, es muy común que hagamos trabajos conjuntos con integrantes del LPI y el LABI. Este trabajo en particular lo abordamos Diego Sebastián Comas (LPI) y Gustavo Javier Meschino (LABI) con la propuesta realizada en primera instancia por Jerónimo Aguilera que es Médico del Hospital Italiano de Buenos Aires”.
El trabajo multidisciplinario es común en los campos de estudio tanto del LPI como del LABI, lo que incluso abre la oportunidad de realizar estancias en otras instituciones de enseñanza e investigación, consolidando vínculos de trabajo. En este sentido, es importante señalar que durante el último año, a partir de los vínculos de trabajo establecidos por los integrantes del LPI, se ha firmado un convenio específico con la Universidad de Jaén, España, en conjunto con la Universidad Nacional del Sur. Este trabajo es un ejemplo de lo que el procesamiento de imágenes puede aportar en la asistencia al diagnóstico y en el estudio de grandes volúmenes de imágenes con fines de búsqueda.
La clasificación de líquido resultante de diálisis peritoneal, comenzó a abordarse a mediados del 2012, dando lugar a dos trabajos en conjunto entre integrantes del LPI, el LABI y el Hospital Italiano de Buenos Aires.
Con respecto a la tarea específica que realizan, Comas explica que “El trabajo requiere estudiar y actualizarse constantemente, validar/contrastar todo lo que se estudie/proponga y es un trabajo fundamentalmente multidisciplinario (interdisciplinario y transdisciplinario), lo que genera un aprendizaje continuo. Las temáticas estudiadas son sumamente interesantes y desafiantes ya que implican el desarrollo de métodos para asistir a los especialistas médicos. Esto supone un aporte a la mejora de la calidad de vida. Parte de los trabajos surgen como requerimiento directo de los médicos y otros a partir de avances teóricos en las metodologías estudiadas”.
“El desafío de comprender nuevos conceptos médicos, comprender el lenguaje utilizado por profesionales formados de manera tan diversa, lograr explicar de manera comprensible lo que proponemos desde el lado de la Ingeniería y lograr la interacción (siempre buscando el mismo grado de compromiso de ambos lados) para un objetivo común es permanentemente motivante. No hay lugar para rutinas en un trabajo de investigación”, concluye Meschino.
Fuente: Conicet Mar del Plata