La Inteligencia Artificial y los profesionales médicos no trabajan igual en el diagnóstico basado en imágenes. Estas diferencias son las que, según un estudio, provocan que la IA sea más propensa a cometer errores que los humanos. Dicho estudio, publicado en Scientific Reports, ha analizado el método de cada diagnóstico y concluye que “no se puede confiar plenamente en las redes neuronales profundas (DNN) basadas en la IA, ya que pueden fallar por razones no relacionadas con la patología subyacente”.
Los investigadores se han basado en un marco comparativo entre la percepción humana y la percepción de las máquinas en términos de robustez de perturbaciones en las imágenes. En concreto, en un caso de diagnóstico de cáncer de mama, donde se han analizado las microcalcificaciones y las lesiones de tejidos blandos.
Para ello, los investigadores utilizaron diferentes filtros de bajo paso gaussiano en nueve niveles de gravedad para desenfocar o distorsionar las imágenes que analizaron los DNN y los profesionales médicos. Los resultados mostraron que el filtrado de bajo paso disminuyó la confianza predictiva de las DNN y, sin embargo, en los humanos apenas tuvo efecto a la hora de realizar el diagnóstico.
El estudio destaca la importancia de incorporar el conocimiento de los médicos en la comparación y análisis de las imágenes
Por tanto, las perturbaciones en la imagen pueden provocar que la IA cometa errores de diagnóstico, como falsos positivos. En algunos casos, la tasa de falsos positivos aumentó en un 40% respecto a los detectados por médicos. La posible causa podría estar relacionada con los sesgos integrados en las DNN o a su tendencia a considerar la textura sobre la forma, según el estudio. Por el contrario, es más probable que los humanos fracasen debido a la dificultad de la tarea, más que por una razón superficial de la imagen.
Además de las diferencias, los investigadores también analizaron el grado en que humanos y las DNN coinciden en su método. En este sentido, aunque ambas formas de diagnóstico coinciden en gran medida a la hora examinar las regiones más sospechas de una imagen, los resultados mostraron que el diagnóstico de la IA es menos exacta para lesiones de tejidos blandos.
El estudio destaca la importancia de incorporar el conocimiento de los médicos en la comparación y análisis de imágenes. Además, recuerda las ventajas de las DNN: pueden diagnosticar rápidamente, no sufren fatiga y se pueden implementar en cualquier parte del mundo.
A pesar de las diferencias y conclusiones finales, los investigadores afirman que se necesitan más investigaciones para avanzar en este tipo de diagnóstico.
Referencia
OAD-ES-AMG-0001
Aceptar y salir
