El proyecto apunta a generar estructuras sintéticas que no son reales, pero lo parecen, y así entrenar algoritmos para mejorar las técnicas de diagnóstico actuales.
 |
| Comparativa de imagen real con la generada por IA. |
El desarrollo fue seleccionado por una empresa de software entre más de 180 propuestas de 30 países.
La empresa de software Salesforce seleccionó un desarrollo de investigadores argentinos para detectar la osteoporosis como uno de los cinco proyectos a financiar en un concurso abierto para la presentación de proyectos vinculados al uso de inteligencia artificial (IA). Según informa el portal de noticias del Conicet en una entrevista a sus autores, se recibieron más de 180 propuestas de 30 países, y es la primera vez que una idea argentina gana uno de estos subsidios.
El objetivo es utilizar inteligencia artificial para generar imágenes de huesos –estructuras sintéticas, que no son reales pero lo parecen- y así entrenar algoritmos para mejorar las técnicas de diagnóstico actuales. Sucede que dichas imágenes reales son muy difíciles de obtener en la actualidad: las tomografías de pacientes vivos tienen mucho “ruido” (son imágenes de baja calidad) y es muy difícil obtener huesos de personas recientemente fallecidas.
El proyecto fue presentado por Félix Thomsen –docente del Departamento de Ingeniería Eléctrica y Computadoras de la UNS e investigador en esa casa y el Conicet– y Emmanuel Iarussi, también investigador del Conicet en la Universidad de Buenos Aires.
La osteoporosis es una enfermedad caracterizada por la disminución de la masa ósea y el deterioro de la microestructura de los huesos, con la concomitante incrementación de la fragilidad ósea y la predisposición a sufrir fracturas. En la actualidad se diagnostica a partir del cálculo de la densidad mineral ósea, valor que se obtiene a través de un estudio conocido como DXA (por sus siglas en inglés). La densidad ósea se mide en todas las vértebras del paciente, y a través de una tabla estandarizada, que contempla también la edad y el sexo, se determina si el individuo tiene osteoporosis. Así se establece si debe seguir un tratamiento médico. La limitación del estudio es que esta técnica sólo permite describir, aproximadamente, hasta el 70% de la degradación ósea de una persona.
“Esta falta de precisión conduce a que alrededor de un 30% de las personas que son diagnosticadas con osteoporosis tengan que seguir un tratamiento que en realidad no necesitan, y que a un porcentaje similar de los individuos con osteoporosis que se hacen la DXA no se les detecte la enfermedad y no se les provea de una terapia”, detalló Thomsen al periodista Miguel Faigón en la mencionada entrevista.
La idea base del proyecto consiste en complementar el método de diagnóstico actual con una tomografía computada que permita obtener mayor cantidad de parámetros estructurales de la geometría vertebral. El inconveniente es que las imágenes de las tomografías de pacientes vivos todavía son de baja resolución y “muy ruidosas” como para poder obtener parámetros microestructurales, más allá de la densidad ósea, y es prácticamente imposible realizar tomografías a huesos ex vivo, es decir, de pacientes recientemente fallecidos. De esta forma, obtener una gran cantidad de imágenes para entrenar a los algoritmos en el filtrado, parecía un callejón sin salida.
“Entonces, surgió la idea de ver si podíamos generar en forma artificial estructuras óseas sintéticas que permitieran engrosar la base del entrenamiento del algoritmo de redes neuronales convolucionales”, relató Thomsen. Es en este punto en el que la experticia de Iarussi en el desarrollo de estructuras sintéticas virtuales que lucen como reales y, más específicamente, su incursión en un método novedoso de inteligencia artificial conocido como redes neuronales generativas antagónicas (GANs), se complementa con las necesidades de Thomsen.
“Si fuera posible tener decenas de miles de vértebras escaneadas en alta resolución, posiblemente no sería necesario nuestro aporte. Pero como son muy escasas hay que ponerse creativo”, señaló Iarussi. Lo que permiten las GANs es generar, a partir de no demasiados ejemplos –no más que unas pocas vértebras humanas escaneadas ex vivo, en este caso–, muchas estructuras sintéticas virtuales, que no sean idénticas a las escaneadas pero que a la vez luzcan como reales. Otro dato importante es que las estructuras generadas, aun con cierto margen para la aleatoriedad, se pueden parametrizar.
“Nosotros tenemos algunos huesos escaneados y, a partir de esa base, generamos artificialmente muchos más y controlamos ciertas características que queremos para cada uno. Así podemos crear huesos sintéticos que tengan determinados parámetros generales. Pero, además, podemos pedirle que genere aleatoriamente muchos otros que cumplan con las mismas características y, al mismo tiempo, sean diferentes entre sí”, destacó Iarussi.
Para este trabajo utilizan técnicas similares a las empleadas para crear rostros humanos. La ventaja con las que cuentan los algoritmos que aprenden a generar rostros humanos es que pueden contar con muchos ejemplos para hacer su entrenamiento y aprendizaje, mientras Iarussi y Thomsen sólo tienen hasta ahora doce vértebras humanas escaneadas, lo que hace más desafiante la tarea.
Los primeros y promisorios resultados de esta iniciativa fueron publicados en las actas de la “International Conference on Medical Image Computing and Computer-Assisted Intervention” y en la revista “Computerized Medical Imaging and Graphics” en el año 2020. De estos trabajos también formaron parte Claudio Delrieux, director tanto de Iarussi como de Thomsen e investigador del Conicet en la UNS, y otros investigadores de Argentina, Alemania y España.
“Se trata, hasta donde sabemos, del primer método para modelar artificialmente hueso y crear estructuras óseas virtuales. Pero además, para hacerlo, recurrimos a una técnica de IA muy novedosa en la que Emmanuel es especialista”, destacó Thomsen.
Obtener artificialmente más ejemplos de cómo pueden ser los huesos de la columna vertebral, a través de las GANs, permite aumentar la base de entrenamiento del algoritmo de redes neuronales convolucionales para optimizarlo y que pueda filtrar el ruido de las imágenes de las tomografías.
Amén de los buenos resultados obtenidos hasta el momento, los investigadores recalcan que el estudio se encuentra todavía en una etapa exploratoria: “Es importante aclarar que, aunque ese es el objetivo final, todavía estamos lejos de poder ofrecer un diagnóstico o de que esto llegue a ser una aplicación clínica”, subrayó Iarussi.
Fuente: Argentina Investiga