[et_pb_section fb_built=»1″ admin_label=»section» _builder_version=»3.0.47″][et_pb_row admin_label=»row» _builder_version=»3.0.47″ background_size=»initial» background_position=»top_left» background_repeat=»repeat»][et_pb_column type=»4_4″ _builder_version=»3.0.47″ parallax=»off» parallax_method=»on»][et_pb_text admin_label=»Text» _builder_version=»3.0.47″ background_size=»initial» background_position=»top_left» background_repeat=»repeat»]
[/et_pb_text][/et_pb_column][/et_pb_row][/et_pb_section][et_pb_section fb_built=»1″ _builder_version=»3.0.72″][et_pb_row _builder_version=»3.0.72″][et_pb_column type=»4_4″ _builder_version=»3.0.72″ parallax=»off» parallax_method=»on»][et_pb_text _builder_version=»3.0.72″]
“El sistema, desarrollado en el Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT, puede evaluar imágenes de rayos X y diagnosticar algunas afecciones, pero también aprecia sus propios límites.”
Los investigadores de aprendizaje automático en el Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT, o CSAIL, han desarrollado un nuevo sistema de diagnóstico de IA que dicen que puede hacer dos cosas: tomar una decisión o un diagnóstico basado en sus hallazgos digitales o, crucialmente, reconocer sus propias limitaciones y recurrir a una forma de vida basada en el carbono que podría tomar una decisión más informada.
Por qué es importante
La tecnología, a medida que aprende, también puede adaptar la frecuencia con que puede diferir a los médicos humanos, según CSAIL, en función de su disponibilidad y niveles de experiencia.
«Los sistemas de aprendizaje automático ahora se están implementando en entornos para [complementar] a los tomadores de decisiones humanos», escriben los investigadores de CSAIL Hussein Mozannar y David Sontagin, un nuevo documento presentado recientemente en la Conferencia Internacional de Aprendizaje Automático que trata, no sólo sobre aplicaciones clínicas de IA, sino también en áreas como la moderación de contenido con sitios de redes sociales como Facebook o YouTube.
«Estos modelos se utilizan como una herramienta para ayudar a los responsables humanos de la toma de decisiones que dependen de herramientas algorítmicas de evaluación de riesgos y puntajes de riesgo que se utilizan en la UCI, o estos modelos de aprendizaje se utilizan únicamente para hacer la predicción final en un subconjunto seleccionado de ejemplos».
Señalan que en la atención médica, «las redes neuronales profundas pueden superar a los radiólogos en la detección de neumonía por radiografías de tórax, sin embargo, muchos obstáculos limitan la automatización completa, un paso intermedio para automatizar esta tarea será el uso de modelos como herramientas de triage para complementar radiólogo experto.
«Nuestro enfoque en este trabajo es ofrecer enfoques teóricamente sólidos para los modelos de aprendizaje automático que puedan predecir o diferir la decisión a un experto intermedio para complementar y aumentar sus capacidades».
[/et_pb_text][/et_pb_column][/et_pb_row][/et_pb_section][et_pb_section fb_built=»1″ _builder_version=»3.0.72″][et_pb_row _builder_version=»3.0.72″][et_pb_column type=»4_4″ _builder_version=»3.0.72″ parallax=»off» parallax_method=»on»][et_pb_image src=»http://www.informaciondemercados.cl/wp-content/uploads/2020/08/ban_capa.png» url=»http://cgce.cl/capacitaciones-2/» _builder_version=»3.0.72″][/et_pb_image][/et_pb_column][/et_pb_row][/et_pb_section][et_pb_section fb_built=»1″ _builder_version=»3.0.72″][et_pb_row _builder_version=»3.0.72″][et_pb_column type=»4_4″ _builder_version=»3.0.72″ parallax=»off» parallax_method=»on»][et_pb_text _builder_version=»3.0.72″]
La mayor tendencia
Entre las tareas en las que se entrenó el sistema estaba la capacidad de evaluar las radiografías de tórax para diagnosticar potencialmente afecciones como el colapso pulmonar (atelectasia) y el agrandamiento del corazón (cardiomegalia).
Es importante destacar que el sistema se desarrolló con dos partes, según los investigadores del MIT: un llamado «clasificador», diseñado para predecir un cierto subconjunto de tareas, y un «rechazador», que decide si una tarea específica debe ser manejada por sus clasificador propio o experto humano.
El equipo realizó experimentos centrados en el diagnóstico médico y la clasificación de texto / imagen, y demostró que su enfoque no sólo logra una mejor precisión que las líneas de base, sino que lo hace con un costo computacional más bajo y con muchas menos muestras de datos para su entrenamiento.
Si bien los investigadores dicen que aún no han probado el sistema con expertos humanos, desarrollaron «expertos sintéticos» para permitirles ajustar parámetros como la experiencia y la disponibilidad.
Señalan que para que el programa de aprendizaje automático funcione con un nuevo experto humano, el algoritmo «necesitaría una incorporación mínima para capacitarse en las fortalezas y debilidades particulares de la persona».
Curiosamente, en el caso de la cardiomegalia, los investigadores descubrieron que un modelo híbrido humano-AI se desempeñó un 8% por ciento mejor que cualquiera de los dos.
En el futuro, Mozannar y Sontag planean estudiar cómo funciona la herramienta con expertos humanos como los radiólogos. También esperan aprender más sobre cómo procesará los datos de expertos sesgados y trabajar con varios expertos a la vez.
En el registro
«En entornos médicos donde los médicos no tienen muchos ciclos adicionales, no es el mejor uso de su tiempo hacer que miren cada punto de datos del archivo de un paciente dado», dijo Mozannar, en un comunicado. «En ese tipo de escenario, es importante que el sistema sea especialmente sensible a su tiempo y sólo pida su ayuda cuando sea absolutamente necesario».
«Nuestros algoritmos le permiten optimizar la elección que desee, ya sea la precisión de predicción específica o el costo del tiempo y el esfuerzo del experto», agregó Sontag. «Además, al interpretar el rechazo aprendido, el sistema proporciona información sobre cómo los expertos toman decisiones y en qué entornos la IA puede ser más apropiada, o viceversa».
«Hay muchos obstáculos que, comprensiblemente, prohíben la automatización total en entornos clínicos, incluidos los problemas de confianza y responsabilidad», dice Sontag. «Esperamos que nuestro método inspire a los profesionales del aprendizaje automático a ser más creativos al integrar la experiencia humana en tiempo real en sus algoritmos».
FUENTE: HealthCare IT News
[/et_pb_text][/et_pb_column][/et_pb_row][/et_pb_section]
