Skip to main content

Soporte de IA para profesionales médicos

Gerardo Hermosillo Valadez | Inventores del Año de Siemens | Trayectoria profesional

Las tecnologías de imagen, como los rayos X, las tomografías computarizadas y las resonancias magnéticas, llevan décadas ayudando a los médicos al brindarles imágenes detalladas de huesos y estructuras de tejidos dentro del cuerpo del paciente. “Todas estas tecnologías nos proporcionan datos de imagen que solo son útiles para el diagnóstico si se pueden interpretar correctamente. Por ejemplo, una persona tiene que entender que la línea fina en la imagen de rayos X muestra que un hueso está roto o detectar la masa inusual entre la gran cantidad de datos de una resonancia magnética”, dice Gerardo Hermosillo Valadez de Siemens Healthineers (SHS), Inventor del año 2024, en la categoría Logro de por vida. “Mi departamento está trabajando en procesos de IA que pueden interpretar imágenes médicas y, por lo tanto, brindar alivio y apoyo al personal médico”.

Interpretación de imágenes con inteligencia artificial

Un hombre con traje y corbata de pie frente a un edificio con una gran ventana.

Gerardo Hermosillo Valadez es Inventor del Año 2024: Su invento desarrolla la inteligencia anatómica

Las personas suelen ser muy buenas para detectar cosas en imágenes. Por ejemplo, a la mayoría de las personas les resultará fácil reconocer la columna vertebral en las imágenes de rayos X, incluso si las imágenes difieren mucho debido a las diferentes posturas del paciente, a los diferentes ángulos desde los que se toma la imagen, huesos grandes o pequeños, o espinas sanas frente a deformadas. Las computadoras solo pueden hacer esto mediante el uso de inteligencia artificial, con aprendizaje profundo, y solo si han sido entrenadas con muchas muestras apropiadas. “Así es como la inteligencia artificial puede desarrollar la inteligencia anatómica que le permita orientarse en las imágenes médicas y clasificar correctamente los distintos huesos, órganos y tejidos”, dice Gerado. “De la misma manera, la IA puede aprender a diferenciar entre tejido normal y anormal”.

Innovaciones que dan forma a toda la gama de productos SHS

Hay muchas aplicaciones diferentes para el reconocimiento de imágenes basado en IA en la vida cotidiana, en hospitales y consultorios médicos: por ejemplo, un sistema puede aprender a mostrar los datos de imagen correctos en respuesta a una instrucción como “Mostrar el omóplato derecho”. También puede proporcionar soporte automatizado para exámenes radiológicos que determinan cuándo el medio de contraste inyectado ha llegado al órgano que se va a examinar y analizar los datos de imagen para posibles cambios patogéneos. Muchas de las innovaciones que Gerardo ha estado impulsando son omnipresentes en toda la gama de productos SHS.

Diferentes estrategias de aprendizaje de la IA

“La inteligencia artificial es tan buena como los datos con los que se ha entrenado”, enfatiza Gerardo. “Para reconocer tumores en una imagen de resonancia magnética, primero debe haber aprendido de miles de imágenes de personas sanas y enfermas que hemos puesto a su disposición”. Hay tres enfoques básicos para el entrenamiento de la IA: el aprendizaje supervisado, el aprendizaje débilmente supervisado y el aprendizaje autosupervisado. En el aprendizaje supervisado, la IA recibe información precisa para cada conjunto de datos: por ejemplo, “Hay un tumor en la esquina superior derecha de la imagen”. En el aprendizaje débilmente supervisado, solo se dan algunas etiquetas informativas: por ejemplo, tumor o ningún tumor. En el aprendizaje autosupervisado, los datos no tienen ninguna etiqueta y la IA aprende de forma independiente: por ejemplo, ocultando partes de imágenes de muestra existentes y “adivinando” cómo son.

Persona con camisa negra de pie frente a una pared blanca sostiene un objeto oscuro con fondo borroso.

Su invento da forma a toda la gama de productos de Siemens Healthineers

Hombre serio con camisa negra y tatuaje, de pie frente a una pared blanca, parcialmente iluminado desde el lado derecho

La inteligencia artificial puede aprender a interpretar imágenes médicas y clasificarlas correctamente.

Casi tan inteligente como un atlas de anatomía

El aprendizaje supervisado es la forma más rápida y eficiente para que la IA aprenda, pero requiere mucho tiempo y es costoso obtener suficientes datos de capacitación que tengan en cuenta todos los aspectos relevantes. El aprendizaje autosupervisado requiere la mayor cantidad de tiempo de aprendizaje, pero la IA puede funcionar de forma independiente sin el costoso etiquetado de datos. “Recientemente, nos hemos concentrado en las últimas técnicas de aprendizaje autosupervisado, técnicas como las utilizadas por ChatGPT”, dice Gerardo. “Eso nos ha dado un impulso significativo, especialmente en el campo de la inteligencia anatómica. Nuestra IA ahora es casi tan inteligente como un atlas de anatomía. Puede distinguir entre aproximadamente 200 puntos de referencia diferentes (partes del cuerpo) y ubicarlos en el material de imagen.