Modelo de IA combina radiografías de tórax con datos del paciente para mejorar diagnóstico

Los profesionales de la salud utilizan una combinación de datos de imágenes y datos no procedentes de imágenes para diagnosticar enfermedades. Si bien las soluciones existentes basadas en inteligencia artificial (IA) suelen estar diseñadas para funcionar con un solo tipo de datos, las redes neuronales basadas en transformadores ofrecen la capacidad de fusionar ambos tipos para realizar diagnósticos más precisos. Originalmente destinados a procesar el lenguaje humano, estos modelos transformadores han inspirado modelos de lenguaje importantes como ChatGPT y Bard de Google. A diferencia de sus contrapartes de redes neuronales convolucionales, que se centran principalmente en datos de imágenes, las redes de transformadores tienen una aplicación más general. Emplean lo que se conoce como mecanismo de atención, lo que permite a la red comprender las relaciones dentro de sus datos de entrada. Esta característica es particularmente adecuada para campos médicos donde el diagnóstico a menudo implica combinar diversos tipos de datos, como información del paciente y resultados de imágenes. Ahora, un transformador modelo de IA recientemente desarrollado combina datos clínicos de pacientes con información de imágenes para mejorar la precisión del diagnóstico en las radiografías de tórax.

Investigadores del Hospital Universitario de Aquisgrán (Aquisgrán, Alemania) han desarrollado un modelo de transformador específicamente para uso médico. Entrenaron el sistema utilizando datos de imágenes y datos no provenientes de imágenes de dos bases de datos, que en conjunto incluyen registros de más de 82.000 pacientes. A este modelo se le ha enseñado a identificar hasta 25 condiciones diferentes utilizando cualquier tipo de datos o una combinación de ambos, lo que se conoce como datos multimodales. En comparación con otros modelos existentes, este nuevo enfoque multimodal demostró un mejor desempeño diagnóstico en todos los ámbitos. Según el equipo de investigación, este modelo no sólo tiene el potencial de ayudar a los proveedores de atención médica que enfrentan cargas de trabajo cada vez mayores, sino que también podría servir como modelo para integrar sin problemas grandes conjuntos de datos.

"Dado que el volumen de datos de los pacientes aumenta constantemente a lo largo de los años y el tiempo que los médicos pueden dedicar a cada paciente es limitado, podría resultar cada vez más difícil para los médicos interpretar toda la información disponible de manera efectiva", dijo el autor principal del estudio, Firas Khader, M.Sc., estudiante de posgrado del Hospital Universitario de Aquisgrán. "Los modelos multimodales prometen ayudar a los médicos en su diagnóstico al facilitar la agregación de los datos disponibles en un diagnóstico preciso".

Enlaces relacionados:
Hospital Universitario de Aquisgrán