Modelo de aprendizaje que preserva la privacidad adapta IA radiológica para adultos a atención neonatal

Los modelos de inteligencia artificial pueden apoyar la interpretación de imágenes radiológicas, pero la atención pediátrica y neonatal siguen desatendidas. Las restricciones de privacidad limitan el acceso a los historiales médicos de los niños, y las imágenes pediátricas representan menos del 1% de los conjuntos de datos públicos de imágenes médicas. Esta escasez fomenta la dependencia de modelos entrenados principalmente con datos de adultos, que pueden no funcionar bien en lactantes y niños.

Un nuevo estudio explora una forma de salvar esta brecha adaptando para uso neonatal modelos de radiografías entrenados con adultos, sin que los datos hospitalarios salgan del centro.

Investigadores de la Escuela de Medicina de Harvard desarrollaron un enfoque de aprendizaje continuo que preserva la privacidad para adaptar modelos de IA de radiografías entrenados con datos de adultos para la atención neonatal. El modelo se diseñó originalmente para evaluar si los tubos endotraqueales se habían colocado correctamente en adultos. Estos tubos ayudan a sostener la respiración en pacientes con problemas respiratorios, y una colocación precisa es especialmente importante en los recién nacidos, lo que convierte esta tarea en un foco para adaptar el modelo a las imágenes neonatales.

Para permitir esta adaptación sin compartir historiales sensibles de pacientes, el enfoque permite que el modelo se mueva entre instituciones mientras los datos de los pacientes permanecen dentro de cada hospital. Los investigadores simularon este proceso entrenando el modelo de forma secuencial con datos de instituciones individuales, lo que le permitió aprender de múltiples centros. Esta estrategia se diseñó para superar las barreras de privacidad que a menudo restringen el acceso a los historiales médicos pediátricos para el desarrollo de inteligencia artificial.

El enfoque se evaluó en un estudio multicéntrico internacional que incluyó 2.965 radiografías de tórax de 30 unidades de cuidados intensivos neonatales de 20 países y territorios. Tras el entrenamiento secuencial, el modelo completamente entrenado identificó la ubicación de la punta del tubo endotraqueal con un error promedio de 0,67 cm. Esto se comparó con un error promedio de 1,29 cm para los modelos existentes adaptados a niños con datos de una sola institución y de 4,30 cm para los modelos de adultos, lo que indica una mejor localización mediante el enfoque de aprendizaje multicéntrico.

A pesar de las diferencias en la calidad y las características de las imágenes, el modelo entrenado de forma continua superó a los modelos de adultos entrenados con datos pediátricos de un solo hospital en 29 de los 30 centros. Esto se observó incluso cuando el modelo de comparación se probó con imágenes del mismo hospital y el modelo entrenado de forma continua no había visto esas imágenes.

El estudio, titulado “Repurposing adult AI radiograph models for neonatal care through continual learning: an international multicentre study”, se publicó en Nature Biomedical Engineering.

Solo el 17% de los dispositivos médicos de inteligencia artificial autorizados por la FDA están etiquetados para uso pediátrico, según el artículo. Aunque este trabajo se centró en la colocación del tubo endotraqueal, los investigadores afirmaron que el marco podría aplicarse potencialmente a otros modelos de adultos y a otras poblaciones de pacientes infrarrepresentadas. Describieron el estudio como un enfoque de prueba de principio para adaptar la inteligencia artificial médica sin que los datos sensibles salgan de un hospital.

“Probamos el modelo en un hospital que nunca había visto antes, y funcionó mejor que un modelo entrenado con exploraciones de ese hospital específico: ese es un resultado bastante contundente. Y, en comparación con el modelo original de adultos, está muchísimo mejor”, dijo Vishwanatha Rao, miembro del laboratorio de informática biomédica de Pranav Rajpurkar en la Escuela de Medicina de Harvard y estudiante de M.D.-Ph.D. en la Universidad de Pensilvania.

“Gran parte de lo que pretende lograr la investigación es demostrar que algo es posible. Hemos demostrado que existe un sistema mediante el cual se pueden ajustar estos modelos sin que los datos sensibles salgan de un hospital”, dijo Pranav Rajpurkar, profesor asociado de informática biomédica en el Instituto Blavatnik de la Escuela de Medicina de Harvard.

Enlaces relacionados
Escuela de Medicina de Harvard