Gina Ciavarra está sentada en una habitación oscura en NYU Langone Health en Manhattan. Es una sala de lectura, un espacio para radiólogos como ella para examinar las radiografías y las resonancias magnéticas. Los monitores frente a ella muestran imágenes en escala de grises de la rodilla de un paciente no identificado, y en ellas detecta un problema clave: un LCA desgarrado. "Esto es definitivamente anormal", explica Ciavarra.
Pero hay otra evaluación que Ciavarra debe hacer, además de escanear los remolinos de hueso, ligamentos, grasa, cartílago y tendones en busca de problemas como lágrimas o artritis. ¿Fue este escáner de rodilla en particular creado por inteligencia artificial, o surgió de una máquina de resonancia magnética de la manera tradicional? "Mi instinto dice que es IA", dice, sin certeza. "Simplemente se ve un poco borroso".
Ciavarra y sus colegas de la Universidad de Nueva York participaron en un estudio que enfrentó la calidad de los escaneos creados por IA con los tradicionales. Al combinar la inteligencia artificial con las máquinas de resonancia magnética, los científicos informáticos y los radiólogos creen que pueden acelerar en gran medida un tipo común de examen médico, una bendición tanto para pacientes como para hospitales. Eso podría significar reducir una exploración de rodilla de diez minutos a cinco minutos, o una exploración cardíaca de una hora a media hora. También podría ahorrar dinero a los hospitales y reducir la necesidad de anestesiar a los pacientes pediátricos que pueden tener problemas para quedarse quietos.
El estudio, que NYU se está preparando para presentar una revisión académica, es parte de un proyecto entre dos extraños compañeros de cama: la Facultad de Medicina de NYU y Facebook. La asociación, iniciada por la división de Investigación de Inteligencia Artificial de Facebook y anunciada hace más de un año, tiene un objetivo simple: usar IA para desarrollar escáneres de resonancia magnética rápidos pero de alta calidad que algún día podrían permitir que centros médicos ocupados atiendan a más personas, países con escasez recursos para hacer un mejor uso de los equipos que tienen, y los ancianos, jóvenes y claustrofóbicos para pasar menos tiempo en un tubo magnético estrecho y ruidoso.
El resultado de usar la IA de esta manera es que requiere mucha menos información que el enfoque bien establecido (llamado transformación inversa de Fourier) cuando se crean las imágenes que brindan a los médicos una visión interna del cuerpo humano. "En MRI adquirimos una cierta cantidad de datos y luego usamos métodos de reconstrucción para crear una imagen", dice Michael Recht, presidente del departamento de radiología de NYU Langone Health. "Pero resulta que siempre hemos recopilado más datos de los que probablemente necesitemos". Piense en ello como un automóvil de bajo consumo de combustible que reemplaza un clunker que consume mucha gasolina: el nuevo algoritmo necesita menos datos, de menos mediciones, para recorrer la misma distancia (o en este caso, obtenga la imagen correcta) como la máquina de resonancia magnética.
Para obtener un radiólogo o cirujano, la información que necesitan, y para que este experimento se considere un éxito, una imagen generada por IA tiene que marcar dos casillas, explica Larry Zitnick, científico investigador de FAIR. Primero, tiene que ser preciso: una exploración bonita que pierde una rotura en un ligamento o inventa algo que en realidad no puede ser inútil y peligroso. Segundo, "a los radiólogos les debe gustar la imagen", dice Zitnick. Cuando los médicos como Ciavarra pasan horas en salas de lectura oscuras mirando los escaneos, necesitan fotos que sean nítidas y fáciles de ver.
Obtener un algoritmo para interpretar la información que tal una máquina probada produce Sin embargo, no es una tarea fácil. Para entrenar al software de IA para que gire correctamente los datos de frecuencia en imágenes, el equipo de Facebook dice que probaron alrededor de 1,000 variaciones de modelos diferentes con información de escáneres de resonancia magnética reales. Le dieron al algoritmo información en bruto, y también le mostraron las imágenes correspondientes para ayudar a la red neuronal (una herramienta común de aprendizaje automático que los ingenieros de software pueden entrenar para realizar diferentes tareas, como reconocer lo que hay en una fotografía) a generar las imágenes correctas.
Una vez que Facebook desarrolló el modelo, tuvo que probarlo a ciegas con los expertos de ojos de águila. Los radiólogos de la Universidad de Nueva York, como Ciavarra, revisaron los escáneres de rodilla creados por IA y los hicieron de la manera tradicional para ver si podían obtener la misma información de diagnóstico de ambos. Luego tuvieron que adivinar cuál era cuál. En lugar de escanear dos veces a los pacientes (la forma más lenta y regular y el enfoque más rápido, impulsado por IA), el equipo eliminó retroactivamente algunos de los datos sin procesar de los escaneos regulares para simular cómo se vería el funcionamiento más rápido de la máquina.
Zitnick también señala que su tripulación agregó un poco de ruido a las imágenes generadas por la IA para que se vean más realistas y eviten acercar sus manos a los médicos. "Lo modificas a la perfección, y de repente a los radiólogos les cuesta mucho saber cuál es de la IA y cuál no, porque estás quitando esa pista que estaba allí", dice. (El ruido agregado no afectó el valor de diagnóstico de la exploración, dice).
Por lo general, cuando escuchas sobre la intersección de la IA y la radiología, el algoritmo es analizando imágenes, no creando les gusta en el proyecto Facebook-NYU. "Creo que esta es una dirección de estudio muy emocionante e importante", dice Maciej Mazurowsky, profesor asociado en la Universidad de Duke, que se enfoca en radiología e IA pero no está involucrado en este trabajo de resonancia magnética. "Es diferente de lo que son la mayoría de los estudios de radiología AI". Por ejemplo, Mazurowsky tiene usó una red neuronal para evaluar nódulos en la tiroides de las personas en ecografías. Otra investigación se ha centrado en emplear el aprendizaje automático para buscar problemas como la tuberculosis en imágenes de cofre.
Facebook dice que hará que su algoritmo AI-MRI esté disponible públicamente, para que otros investigadores que quieran trabajar en el objetivo de ejecutar máquinas más rápido y usar inteligencia artificial para interpretar datos en imágenes puedan hacerlo. "El impacto de esto en una clínica puede ser tremendo porque los escáneres de resonancia magnética son caros y a menudo se los respalda", dice Mazurowsky. Sin embargo, existen algunos riesgos potenciales al inyectar IA en el proceso. Por un lado, un algoritmo podría inventar un problema que en realidad no existe (un artefacto). Más importante aún, dice Mazurowsky, la mayor preocupación es que podría pasar por alto un problema real, lo que significa que el radiólogo nunca nota una rotura de LCA.
Es un proyecto de alto riesgo con rendimientos potencialmente cruciales: un cirujano puede cortar, o no cortar, dependiendo de los resultados de un escaneo. "Nos pone totalmente nerviosos", dice Zitnick. "Es importante hacer las cosas bien, y es por eso que estamos haciendo esto de una manera muy metódica".
Mientras el estudio de intercambiabilidad espera la revisión académica, los investigadores de la NYU se están preparando para realizar más comparaciones para evaluar si las imágenes creadas por IA coinciden con lo que realmente ve un cirujano cuando realizan una artroscopia dentro de una rodilla. El objetivo para el futuro no es limitar esta tecnología a las rodillas, sino también usarla para otras partes del cuerpo, como las IRM del cerebro, que actualmente requieren mucho tiempo de exploración.
Recht, de la NYU, dice que espera que los escaneos rápidos de IA cambien la relación que los médicos y los pacientes tienen con las IRM. "Mi sueño", dice, "es tener tiempos de exploración de cinco minutos para cada articulación".