Saltar al contenido principal

Redes neuronales convolucionales en dermatología

¿Qué es una red neuronal convolucional?

Una red neuronal convolucional (CNN) es un tipo de red neuronal de inteligencia artificial profunda utilizada en el procesamiento de imágenes [1]. La red toma una imagen de entrada y el uso de un catálogo de imágenes existentes produce una salida que coincide con la imagen de entrada. Una red neuronal se basa en similitudes de biológicos interconectados neuronas y está estructurado de tal manera para aprender y mejorar su rendimiento, en función de cuántas imágenes ‘ve’ la CNN y la cantidad de convoluciones (entradas combinadas de dos imágenes, una nueva y una imagen catalogada existente, para crear una tercera salida) que genera la CNN.

Las CNN se consideran una nueva herramienta beneficiosa para los dermatólogos para ayudar a diagnosticar mejor las lesiones. El trabajo que hace una CNN para producir un resultado de diagnóstico de una imagen es similar a cómo un dermatólogo utiliza su entrenamiento y conocimiento: diagnosticar lesiones por un dermatólogo generalmente implica una imagen de entrada (de un cutáneo lesión) alimentarse a través de una red de procesamiento (las habilidades y el conocimiento del dermatólogo que lo analiza y sintetiza la información disponible) para generar una “clase” (o diagnóstico) o una “probabilidad de clases” (diagnóstico diferencial) [2].

La naturaleza visual de dermatología se presta bien a las imágenes digitales de lesiones, y las CNN tienen un enorme potencial para cambiar la práctica. Es un medio multifacético para analizar datos que involucra matemáticas complejas y requiere un poder computacional masivo para combinar biología, matemáticas y ciencias de la computación.

¿Quién usa las redes neuronales convolucionales?

Las CNN se han utilizado en aplicaciones militares y civiles, incluidos vehículos aéreos no tripulados, el sector tecnológico y el comercio. [3]. Se encuentran en aplicaciones cotidianas, como las plataformas de redes sociales que reconocen automáticamente las caras, en galerías de fotos autoadhesivas y en sitios web de compras que presentan sugerencias basadas en sus hábitos de navegación en Internet.

En el campo de la medicina, los investigadores han estado usando CNN para diagnosticar la enfermedad diabética del ojo, arritmiasy cánceres de piel [3–5].

Cuéntame más sobre redes neuronales convolucionales

La base de una CNN es un método informático que es capaz de diferenciar entre diferentes clases de imágenes en función de características únicas que se pueden utilizar de manera confiable para identificar la clase de imagen, como bordes y curvas. Esta base se amplía con características más abstractas que se agregan a través de una serie de agrupaciones convolucionales y capas de salida.

Paso 1: capas convolucionales

Una imagen se alimenta a una computadora y se procesa como diferentes disposiciones de píxeles (puntos), en función de su color. Este proceso convierte secciones de la imagen de acuerdo con un filtro particular [2]. Los filtros a menudo comienzan analizando características simples como líneas rectas, líneas diagonales, líneas curvas o puntos. Cada vez que se pasa un filtro sobre la imagen original, se crea una nueva versión más pequeña de la fotografía original. A las coincidencias de filtro positivo se les asigna un valor positivo, y a las áreas que no coinciden se les asigna un valor inferior a 1. Esto da como resultado una imagen enrevesada; por ejemplo, un filtro de línea recta pasó sobre una imagen de un acral nevo con un patrón de surco paralelo en la dermatoscopia mostrará una imagen de convolución positiva fuerte. Este paso puede repetirse con otras características para lograr un resultado más preciso (es decir, un diagnóstico o diagnóstico diferencial).

Paso 2: capa de agrupación

Si la imagen resultante es grande, las capas de las redes neuronales pueden necesitar “agruparse” entre convoluciones posteriores, fijándose en un área de interés en la imagen y eliminando los parámetros alrededor de esa área [2]. Existen diferentes tipos de agrupación, pero el tipo más común utilizado es el método de agrupación máxima (consulte la figura a continuación).

Un método simple de “agrupación máxima” de una imagen de 4 x 4 en un grupo de 2 x 2

maximum-pooling__protectwyjqcm90zwn0il0_focusfillwzi5ncwymjisingildfd-1021217-4666120

Un método simple de “grupo máximo” de una imagen 4×4 en un grupo de 2×2

A menudo hay un paso de normalización adicional, que es una técnica común para mejorar el rendimiento y la estabilidad de una red neuronal. Esto funciona estandarizando las entradas analizadas por la red neuronal, para garantizar que cada entrada tenga aproximadamente la misma escala. Por lo tanto, la red neuronal no asignará una importancia indebida a un filtro de entrada sobre otro simple debido a una diferencia de escala. Este proceso aumenta enormemente la tasa de aprendizaje de una red neuronal.

Paso 3: capa de salida

Para generar un diagnóstico diferencial de salida para una lesión sospechosa, la red neutral necesita aplicar una capa completamente conectada basada en todas las capas que ha procesado previamente. Esto es similar a un dermatólogo que sintetiza las diferentes pistas en un diagnóstico provisional con un conjunto de diferenciales.

El CNN ahora se puede entrenar utilizando funciones adicionales para mejorar la precisión y “enseñarse” a sí mismo para identificar nuevas lesiones (como la propagación hacia atrás, que enseña a la red cuando selecciona un resultado incorrecto para cambiar el peso asignado a los rasgos al seleccionar una salida clase) [1].

¿Cuáles son los beneficios de las redes neuronales convolucionales?

Los beneficios de las CNN en el diagnóstico de lesiones cutáneas incluyen precisión, velocidad y bajo costo.

  • La precisión diagnóstica clínica para melanoma es dependiente sobre la experiencia y la formación del médico examinador; Las CNN han podido desempeñarse tan bien como los dermatólogos certificados por la junta en circunstancias limitadas, y su precisión continuará mejorando en el futuro [6,7].
  • Actualmente, las CNN tardan de segundos a minutos en llegar al diagnóstico cuando se enfrentan a una imagen de una lesión cutánea. Las entradas, los algoritmos y las salidas se pueden realizar fuera del horario de oficina y cualquier persona con acceso a Internet puede acceder a ellas. Compare este corto tiempo con los tiempos de espera y viaje asociados con una cita con el dermatólogo, que a menudo es de varios meses en el futuro o más.
  • Los algoritmos pueden ser adaptativos y pueden aprender de agregar nuevas imágenes con el tiempo.
  • Se pronostica que las CNN podrán diagnosticar lesiones por una fracción del costo de una visita a un dermatólogo.

¿Cuáles son las desventajas de las redes neuronales convolucionales?

Las advertencias sobre el uso de CNN incluyen las expectativas poco realistas de los pacientes y los profesionales de la salud, los problemas de seguridad y privacidad y la responsabilidad médica legal.

  • Existe una gran cantidad de entusiasmo en torno a la tecnología CNN, pero las ventajas tardarán en materializarse. Se requieren cantidades masivas de datos e información para “entrenar” a las CNN. Se necesitan seres humanos para elegir qué lesiones deben ser examinadas y examinadas por la CNN, y estos profesionales de la salud participantes también necesitan capacitación.
  • Las CNN y cualquier herramienta que ofrezca soporte de diagnóstico deberán ser aprobadas oficialmente como dispositivos médicos, y luego volver a aprobarse a medida que sus algoritmos se expandan [8].
  • Las CNN probablemente estarán completamente en línea, utilizando almacenamiento basado en la nube, y necesitarán tener excelentes sistemas de ciberseguridad para garantizar el respaldo en caso de falla de la base de datos o del servidor, y procesos de autenticación para evitar el acceso no autorizado. (Se requieren protocolos de cifrado y transferencia segura para almacenar datos de salud personales, y la investigación solo debe usar datos anónimos).
  • Los profesionales de la salud que usen CNN deberán comprender que el rendimiento con un conjunto de datos no es necesariamente aplicable a otro; habrá diagnósticos incorrectos, incluidos falsos positivos (sobrediagnóstico de benigno lesiones como maligno) y falsos negativos (p. ej., diagnósticos perdidos de cáncer)
  • La responsabilidad medicolegal para el profesional de la salud que depende de las CNN requiere aclaración, ya que no existe una precedencia notable. ¿Se puede responsabilizar a un algoritmo informático por un diagnóstico incorrecto o un diagnóstico perdido?