La investigación, descrita en Naturaleza Ingeniería Biomédica, descubrió que el modelo era más efectivo para identificar problemas como neumonía, pulmones colapsados y lesiones que otros modelos de IA autosupervisados. De hecho, fue similar en precisión a los radiólogos humanos.
Mientras que otros han tratado de usar datos médicos no estructurados de esta manera, esta es la primera vez que el modelo de IA de un equipo ha aprendido de un texto no estructurado e igualado el desempeño de los radiólogos, y ha demostrado la capacidad de predecir múltiples enfermedades a partir de una radiografía determinada con un alto grado de precisión, dice Ekin Tiu, estudiante de pregrado en Stanford e investigador visitante que es coautor del informe.
“Somos los primeros en hacer eso y demostrarlo de manera efectiva en este campo”, dice.
El código del modelo se ha puesto a disposición del público para otros investigadores con la esperanza de que pueda aplicarse a tomografías computarizadas, resonancias magnéticas y ecocardiogramas para ayudar a detectar una gama más amplia de enfermedades en otras partes del cuerpo, dice Pranav Rajpurkar, profesor asistente de biomédica. informática en el Instituto Blavatnik de la Escuela de Medicina de Harvard, quien dirigió el proyecto.
“Nuestra esperanza es que las personas puedan aplicar esto de inmediato a otros conjuntos de datos de radiografías de tórax y enfermedades que les preocupan”, dice.
Rajpurkar también es optimista de que los modelos de IA de diagnóstico que requieren una supervisión mínima podrían ayudar a aumentar el acceso a la atención médica en países y comunidades donde los especialistas son escasos.
“Tiene mucho sentido usar la señal de entrenamiento más rica de los informes”, dice Christian Leibig, director de aprendizaje automático de la startup alemana Vara, que usa IA para detectar el cáncer de mama. “Es todo un logro llegar a ese nivel de rendimiento”.