La IA de Google puede detectar cáncer de mama con más precisión que un humano

La IA de Google puede detectar cáncer de mama con más precisión que un humano

La Inteligencia Artificial no solo está encaminada a desarrollar armas capaces de atacar de forma autónoma, ni para analizar los vídeos que subes a Facebook. También sirve para salvar vidas: Google ha estado desarrollando una Inteligencia Artificial precisamente para identificar cáncer de mama en estado avanzado, y resulta que tiene mayor efectividad que un doctor humano experimentado.

Esta herramienta de aprendizaje automático de la que hablamos, desarrollada específicamente para detectar el cáncer de mama metastásico (avanzado), tiene mayor precisión que los patólogos cuando observan diapositivas. Esta herramienta básicamente analiza las diapositivas y, gracias a que está entrenada para reconocer tumores, es capaz de identificar metástasis en una amplia variedad de condiciones.

En definitiva, este software de Google, según el artículo publicado en la revista The American Journal of Surgical Pathology, ha sido capaz de diferenciar el cáncer de mama con algo que en realidad no lo es, en un 99,3% en las condiciones adecuadas, incluso cuando la metástasis es lo suficientemente pequeña como para que un humano la pase por alto. Y esto, es un mundo donde casi el 90% de las muertes producidas por cáncer son de metástasis, es muy importante.


Y con esto se ha conseguido varias cosas, gracias a este Asistente del ganglio linfático (LYNA por sus siglas en inglés): además de que los doctores, al contar con esta herramienta, cuentan con mayor precisión, los tiempos de análisis se han reducido a un solo minuto, por lo que este tipo de análisis serán más baratos.

«Los algoritmos de inteligencia artificial pueden evaluar exhaustivamente cada parche de tejido en una diapositiva», detalla el artículo. Esta red neuronal, basada en Inception-v3, un modelo de aprendizaje profundo de reconocimiento de imagen de código abierto. Toma una imagen de entrada de 299 píxeles y describe los tumores a nivel de píxeles.

Durante las pruebas, ajustando el umbral de sensibilidad del modelo para detectar todos los tumores en cada diapositiva, mostró una sensibilidad del 69%, identificando con precisión los 40 metástasis sin ningún falso positivo. Pero este sistema no es perfecto, claro: en ocasiones, identificó erroneamente tumores de origen germinal y glóbulos blancos derivados de la médula ósea .

https://omicrono.elespanol.com/2018/10/ia-google-cancer-de-mama-precision/

no me sorprende. Incluso digo que llega tarde y todo xD

Pero eso, vale más dedicar pasta a otras movidas que a I+D

Tiene mucho sentido. El modelo actual de IAs esta optimizado precisamente para este tipo de cosas en que es hacer una cosa pequeña de la cual tienes muchas muestras (regresion lineal)

¿Y en caso de error en el diagnostico, quien carga con el muerto?

Me hace gracia que la imagen que acompaña la información te muestra un zoom como si tuviera relación alguna con algo.

Esto es un problema clásico de clasificación de imágenes. Una red neuronal, aplicada a imágenes, es una serie de capas de filtros programables. Tu le enchufas una imagen como input, pasa por una serie de filtros que detectan features o características y en función de cuanta presencia tengan en la imagen las características que los filtros están programados para detectar, la red neuronal te da una salida distinta, que es la probabilidad de que la imagen corresponda a una categoría u otra. Por ejemplo, digamos que tienes una red neuronal programada para detectar coches: lo más probable es que algunos de los filtros estén programados para detectar formas circulares (es decir, ruedas), y el hecho de que la imagen tenga ruedas contribuye a que la probabilidad de que la imagen sea de un coche aumenta.

La clave de todo el tema es que los filtros no se programan a mano, si no que tú le vas pasando a la red neuronal una serie de imágenes con etiquetas (Cáncer SÍ o Cáncer NO, por ejemplo), y los parámetros de los filtros se van ajustando solos mediante un algoritmo para maximizar el número de aciertos sobre el grupo de imágenes etiquetadas con el que has entrenado a la red. Cuando aprendes como funciona es acojonante como algo tan jodidamente simple en concepto funciona tan de puta madre.

Vaya, que lo del artículo no es que hayan inventado nada nuevo, simplemente tiene pinta que a base de optimizaciones han alcanzado un porcentaje de acierto mejor que el que se conseguía antes para esta aplicación en concreto.