Un nuevo modelo de IA abre el camino para un diagnóstico fiable de COVID-19 mediante radiografías en teléfonos inteligentes
- El estudio evalúa las limitaciones del Diagnóstico Asistido por IA de imágenes de rayos X a través de aplicaciones de mensajería (AIDXA) en el contexto del diagnóstico de COVID-19.
- Los investigadores identifican la 'Inestabilidad de Predicción' (PIP) y la 'Saliencia Fuera del Pulmón' (OLS) como defectos críticos en los modelos actuales de AIDXA.
- Se presenta un modelo innovador de aprendizaje multitarea, COVIDMT, para abordar los desafíos de PIP y OLS, mostrando resultados prometedores.
En un paso innovador hacia el refinamiento de la eficacia del diagnóstico de COVID-19 basado en teléfonos inteligentes, un estudio reciente publicado en Scientific Reports profundiza en los intrincados detalles del Diagnóstico Asistido por IA de imágenes de rayos X a través de Aplicaciones de Mensajería (AIDXA). Con la dependencia cada vez mayor de los modelos de IA para diagnósticos médicos, los investigadores desvelan las limitaciones que han estado en la sombra, particularmente al analizar imágenes de rayos X altamente comprimidas compartidas a través de aplicaciones de teléfonos inteligentes.
Limitaciones desveladas
En su búsqueda por examinar el panorama actual del diagnóstico de COVID-19 basado en IA, los investigadores presentan un estudio de caso integral que destaca dos limitaciones clave de los sistemas AIDXA: Inestabilidad de la Predicción (PIP) y Saliencia Fuera del Pulmón (OLS). El estudio subraya el impacto crítico de estas limitaciones en la fiabilidad de los modelos de IA para identificar COVID-19 a través de imágenes de rayos X transmitidas por teléfonos inteligentes.
Los investigadores presentan una adición innovadora al panorama académico en forma de un conjunto de datos pionero, denominado «WhatsApp CXR» (WaCXR). Este conjunto de datos meticulosamente curado está expresamente diseñado para examinar y evaluar el impacto de la compresión de imágenes en el rendimiento de los modelos AIDXA. Con una compilación voluminosa que supera los 6.500 casos, que abarca tanto imágenes de rayos X (CXR) de tórax comprimidas como no comprimidas, este conjunto de datos sirve como el terreno experimental para desvelar las susceptibilidades inherentes en los modelos de IA actuales.
Las revelaciones emanadas del estudio traen a la luz la fragilidad inherente en los resultados predictivos, donde un único modelo puede ofrecer resultados diagnósticos contradictorios dependiendo del estado de compresión de la imagen de rayos X bajo consideración. Esta exploración matizada subraya la intrincada interacción entre la compresión de imágenes y la estabilidad de las predicciones diagnósticas de IA, contribuyendo significativamente al discurso en curso sobre el refinamiento y el fortalecimiento de la inteligencia artificial en la imagen médica.
Para cuantificar estos problemas, los investigadores introducen la 'Puntuación PI' y la 'Puntuación OLS' como métricas, arrojando luz sobre el grado de inestabilidad y saliencia presentes en los modelos AIDXA de última generación. Estas métricas proporcionan una base cuantitativa para comprender las limitaciones que obstaculizan la aplicación fluida de la IA en el ámbito del diagnóstico de COVID-19.
COVIDMT es un modelo de IA revolucionario
En respuesta a los desafíos identificados, los investigadores presentan una solución revolucionaria: COVIDMT. Este nuevo modelo de aprendizaje multitarea (MTL) está meticulosamente diseñado para superar las deficiencias de los modelos AIDXA existentes, abordando específicamente el PIP y el OLS.
COVIDMT, construido sobre una Red de Aprendizaje Profundo de última generación, inaugura una nueva era de fiabilidad en el diagnóstico de COVID-19. Aprovechando el aprendizaje por transferencia mediante los pesos de Imagenet, el modelo muestra una mejora del 40% en la puntuación PI y una mejora del 35% en la puntuación OLS en comparación con sus homólogos como ResNet-50 y ResNeXt-50.
Esta investigación se adentra profundamente en los sistemas AIDXA ampliamente utilizados, examinando específicamente las notables redes neuronales profundas como ResNet-50, ResNeXt-50, VGG-19, XceptionNet y el distintivo COVID-Net. Cabe destacar que COVID-Net ocupa un lugar prominente en el centro de atención, dado su uso del mismo conjunto de datos de entrenamiento que COVIDMT, lo que facilita un análisis comparativo directo y significativo.
Los resultados de la evaluación integral destacan la resiliencia de COVIDMT, señalando un avance notable tanto en estabilidad como en saliencia en comparación con los modelos de diagnóstico de COVID-19 basados en IA predominantes de la era actual. Estos hallazgos aluden sutilmente al prometedor potencial inherente a los marcos de Aprendizaje Multitarea (MTL), presentando una vía intrigante y fértil para la exploración y mejora subsiguientes en el ámbito del diagnóstico médico.
El futuro de la IA en el diagnóstico de COVID-19 mediante smartphones
A medida que el horizonte de los diagnósticos médicos impulsados por la IA se expande, el estudio nos deja reflexionando sobre los desafíos y posibilidades futuros. ¿Pueden los marcos de aprendizaje multitarea, ejemplificados por COVIDMT, ser la pieza clave para fortalecer los modelos de IA contra la inestabilidad y la saliencia? La búsqueda de un diagnóstico fiable y preciso de COVID-19 a través de teléfonos inteligentes ocupa el centro del escenario, instando a investigadores y profesionales a explorar vías innovadoras y refinar la sinergia entre la inteligencia artificial y la imagen médica.
No te limites a leer noticias sobre criptomonedas. Entiéndelas. Suscríbete a nuestro boletín. Es gratis.
Aviso de responsabilidad. La información proporcionada no es un consejo de trading. Cryptopolitan.com no asumimos responsabilidad alguna por las inversiones realizadas basándose en la información proporcionada en esta página. Recomendamos encarecidamente la investigación independiente y/o la consulta con un profesional calificado antes de tomar cualquier decisión de inversión.
Aamir Sheikh
Aamir es un periodista tecnológico con casi seis años de experiencia en los sectores de criptomonedas y tecnología. Se graduó de la Universidad MAJ con un MBA en Finanzas y Marketing. Ahora trabaja con Cryptopolitan, donde informa sobre los últimos desarrollos en los mercados de criptomonedas y predicciones de precios.
