Redes neuronales convolucionales en dermatología

¿Qué es un convolucional neural ¿red?

Una red neuronal convolucional (CNN) es un tipo de red neuronal de inteligencia artificial profunda que se utiliza 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 que aprende y mejora su desempeño, basado en cuántas imágenes ‘ve’ la CNN y la cantidad de convoluciones (entradas combinadas de dos imágenes, una nueva y una existente catalogada, para crear una salida) que genera la CNN.

Las CNN se consideran una nueva herramienta beneficiosa para dermatologos para ayudar a diagnosticar mejor lesiones. El trabajo que realiza una CNN para producir un resultado de diagnóstico a partir de una imagen es similar a cómo dermatólogo utiliza su formación y conocimientos: el diagnóstico de lesiones por un dermatólogo generalmente implica una imagen de entrada (de un cutáneo lesión) alimentado 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 de analizar datos que involucra matemáticas complejas y requiere un poder computacional masivo para combinar biología, matemáticas e informática.

¿Quién usa redes neuronales convolucionales?

Las CNN se han utilizado en aplicaciones militares y civiles, incluidas las redes aéreas no tripuladas. vehiculos, el sector tecnológico y el comercio [3]. Se encuentran en aplicaciones cotidianas, como plataformas de redes sociales que reconocen rostros automáticamente, en galerías de fotos con etiquetas automáticas y en sitios web de compras que ofrecen sugerencias basadas en sus hábitos de navegación en Internet.

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

Cuéntame más sobre las redes neuronales convolucionales.

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

Paso 1: capas convolucionales

Una imagen se introduce en una computadora y se procesa como diferentes disposiciones de píxeles (puntos), según 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 positivas se les asigna un valor positivo, ya 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 surcos paralelos en dermatoscopia mostrará una imagen de convolución positiva fuerte. Este paso se puede repetir con más funciones para lograr un resultado más preciso (es decir, un diagnóstico o diagnóstico diferencial).

Paso 2: capa de agrupación

Si la imagen resultante es grande, es posible que las capas de las redes neuronales deban "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 siguiente).

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 un significado indebido 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 sospechada, la red neutra necesita aplicar una capa completamente conectada basada en todas las capas que ha procesado previamente. Esto es similar a que un dermatólogo sintetice las diferentes pistas en un diagnóstico provisional con un conjunto de diferenciales.

La CNN ahora se puede entrenar usando funciones adicionales para mejorar la precisión y "enseñarse" a sí mismo a 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, rapidez y bajo costo.

• La precisión del diagnóstico clínico para melanoma es dependiente sobre la experiencia y formación del médico examinador; Los 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, algoritmos y salidas se pueden realizar fuera del horario de oficina y pueden ser accesibles para cualquier persona con acceso a Internet. Compare este breve 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 adaptables y pueden aprender añadiendo nuevas imágenes a lo largo del tiempo.
• Se prevé que las CNN sean capaces de diagnosticar lesiones por 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 médico-legal.

• Hay una gran cantidad de entusiasmo en torno a la tecnología de CNN, pero las ventajas tardarán en materializarse. Se requieren grandes cantidades de datos e insumos para "entrenar" a las CNN. Se necesitan seres humanos para elegir qué lesiones deben tomarse y examinarse por la CNN, y estos profesionales de la salud participantes también deben recibir capacitación.
• Las CNN y cualquier herramienta que ofrezca soporte de diagnóstico deberán aprobarse oficialmente como dispositivos médicos y luego volver a aprobarse a medida que se amplíen sus algoritmos. [8].
• Es probable que las CNN estén completamente en línea, utilizando almacenamiento basado en la nube, y deberán tener excelentes sistemas de ciberseguridad para garantizar la copia de seguridad 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 encriptación y transferencia segura para almacenar datos de salud personales, y la investigación solo debe usar datos anonimizados).
• Los profesionales de la salud que utilicen CNN deberán comprender que el rendimiento que utiliza 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 médico-legal del profesional de la salud que depende de las CNN requiere una aclaración, ya que no existe un precedente notable. ¿Se puede responsabilizar a un algoritmo informático por un diagnóstico incorrecto o un diagnóstico perdido?