Nuevo enfoque de IA podría mejorar la imagen quirúrgica

Los cirujanos suelen basarse en la evaluación visual para distinguir entre tejido sano y enfermo o para evitar dañar estructuras críticas durante los procedimientos. Esta valoración es subjetiva y está limitada por lo que el ojo humano puede percibir, lo que incrementa el riesgo de error en cirugías complejas.

Las técnicas de imagen avanzadas, como la imagen hiperespectral, pueden revelar información oculta como el flujo sanguíneo y la oxigenación, pero traducir estos datos en guía clínica en tiempo real sigue siendo un desafío. Ahora, investigadores han desarrollado un enfoque basado en inteligencia artificial (IA) que permite interpretar con precisión este tipo de datos sin depender de grandes volúmenes de imágenes de entrenamiento humano.

El enfoque, desarrollado por investigadores del Centro Alemán de Investigación del Cáncer (DKFZ, Heidelberg, Baden-Württemberg, Alemania), en colaboración con el Hospital Universitario de Heidelberg (UKHD, Heidelberg, Baden-Württemberg, Alemania) y el Centro Médico Universitario de Mannheim (UMM, Mannheim, Baden-Württemberg, Alemania), se denomina "xeno-learning". Este método permite a los sistemas de IA aprender de imágenes médicas hiperespectrales obtenidas en estudios con animales y transferir ese conocimiento al tejido humano. Esta estrategia evita las barreras éticas y prácticas asociadas a la recopilación de grandes conjuntos de datos de imágenes de pacientes debidamente anotadas..

Las cámaras hiperespectrales capturan mucha más información que las imágenes convencionales al registrar firmas espectrales detalladas relacionadas con la composición y la fisiología de los tejidos. Para que estos datos sean clínicamente útiles, los algoritmos de IA deben entrenarse para reconocer patrones significativos. En lugar de aprender valores absolutos de color, el enfoque de xeno-learning entrena a las redes neuronales para identificar cambios relativos asociados con procesos patológicos, como la circulación deteriorada, lo que permite que el modelo generalice entre distintas especies.

En el estudio, los investigadores analizaron más de 13.000 imágenes hiperespectrales de humanos, cerdos y ratas. Los modelos de IA convencionales entrenados con datos animales tuvieron un rendimiento deficiente al aplicarse a tejido humano. EEn cambio, el modelo de xeno-learning logró transferir el conocimiento con éxito al centrarse en patrones relacionados con la enfermedad, en lugar de firmas específicas de cada especie. Los hallazgos demuestran que los datos de imágenes animales pueden utilizarse para entrenar sistemas de IA capaces de realizar evaluaciones precisas de tejido humano.

Los investigadores creen que este enfoque podría mejorar significativamente la seguridad y la precisión quirúrgicas, especialmente en situaciones donde los datos de entrenamiento humano son escasos o inexistentes. Al permitir la obtención de imágenes espectrales asistidas por IA sin conjuntos de datos derivados del paciente, el xeno-learning podría acelerar la adopción de tecnologías avanzadas de imagenología en el quirófano. Para facilitar una traducción rápida, el equipo ha publicado el código del programa y los modelos preentrenados para que otros investigadores los utilicen.

“Xeno-learning permite el uso de imágenes espectrales incluso cuando faltan datos humanos”, dijo Jan Sellner, uno de los dos autores principales del estudio.

"Este es un paso importante para que los procedimientos quirúrgicos sean más seguros y precisos en el futuro", añadió Alexander Studier-Fischer, quien dirigió los aspectos clínicos del proyecto.

Enlaces relacionados:
DKFZ
Reino Unido HD
UMM