Investigadores de la Universidad de Washington en St. Louis (EEUU) investigan cómo se podría "eliminar el ruido" o limpiar las imágenes médicas con ayuda de herramientas de aprendizaje profundo (DL) con el fin de evitar que mejorar su utilidad clínica.

"Garantizar la eliminación de ruido basada en IA que funcione bien para tareas clínicas reales aportaría grandes beneficios para los pacientes al obtenerse imágenes de alta calidad en menos tiempo o con dosis de radiación reducidas", indicó el colaborador del estudio Dr. Robert J. Gropler, profesor de radiología y vicepresidente senior y director de división de ciencias radiológicas.

Precisamente, una de las aplicaciones potenciales de la IA en esta área es eliminar el ruido de las imágenes. El problema es que estas herramientas no pueden utilizarse en el ámbito clínico si no se comprueba rigurosamente su utilidad clínica, lo que implica evaluar el rendimiento de los métodos de eliminación de ruido en tareas clínicamente relevantes. Y es que la reconstrucción de imágenes basada en IA está asociada con algunos riesgos de distorsión, lo que puede conducir a diagnósticos inexactos.

Impacto de la eliminación del ruido

Para evaluar una de estas herramientas, los investigadores encargaron una herramienta DL de uso común para eliminar el ruido de las imágenes de tomografía computarizada por emisión de fotón único (SPECT) cardiacas. Para evaluar el rendimiento de la herramienta, el equipo de investigación analizó cuán similares visualmente eran las imágenes sin ruido a las imágenes normales y cuál era el impacto de la eliminación de ruido en la tarea clínicamente relevante de detectar un defecto cardíaco.

El estudio reveló que la herramienta de eliminación de ruido tenía una tendencia a suavizar las imágenes SPECT cardíacas, lo que redujo el ruido. Sin embargo, este suavizado también condujo a una reducción del contraste de los defectos cardíacos capturados en las imágenes. "Si bien las métricas basadas en la similitud visual sugirieron que la técnica de eliminación de ruido basada en IA mejoró el rendimiento, en realidad no tuvo un impacto significativo y, en algunos casos, incluso degradó el rendimiento en tareas clínicas", según Abhinav Jha, profesor asistente de ingeniería biomédica en la Escuela de Ingeniería McKelvey de la Universidad de Washington y de radiología en el Instituto de Radiología Mallinckrodt (MIR) en la Escuela de Medicina. "Esto demuestra la necesidad de realizar una evaluación de algoritmos de IA en tareas clínicas y no solo confiar en la similitud visual como medida de desempeño".

De ahí que el equipo de investigación recomiende evaluaciones basadas en tareas de enfoques de eliminación de ruido basados ​​en IA para evaluar la utilidad clínica de las imágenes producidas.

En el futuro, los investigadores plantean adentrarse en el desarrollo de una nueva técnica de eliminación de ruido que aborde los desafíos de aplicar la IA a las imágenes médicas, ante las deficiencias identificadas actualmente.