IA para la identificación y análisis de cáncer

• Título del proyecto: Investigación y desarrollo de nueva tecnología software basada en IA para la identificación y análisis de cáncer
• Acrónimo: VIT4CANCER
• Número Expediente: INNCAD/2022/86
• Programa: Consolidación de la cadena de valor empresarial
• Ubicación del Proyecto: Paterna, Valencia (España)
• Fecha Inicio: 06/05/2022   –   Fecha fin: 30/04/2024?
• Parcialmente Financiado por: GENERALITAT VALENCIANA: AGENCIA VALENCIANA DE LA INNOVACIÓN (AVI)

Origen

El proyecto nace a raíz de las limitaciones detectadas en el estado del arte en la identificación, análisis y asistencia de prediagnóstico de cáncer.

Objetivos

Investigación y desarrollo de nueva tecnología software basada en IA para la identificación y análisis de cáncer mediante un novedoso sistema distribuido basado en servicios de clasificación de imágenes en la nube y aplicaciones cliente que ayuden a los médicos en la toma de decisiones del prediagnóstico de cáncer en los Centros de Salud tanto de Atención Primaria como de Atención Especializada.

Para ello, se llevarán a cabo diferentes estudios, investigaciones y desarrollos centrados en el empleo de IA para el análisis y clasificación de imágenes. Con ello, el presente proyecto se asocia a una variedad de objetivos específicos centrado tanto en la plataforma basada en IA que llevará a cabo esta identificación, como en las novedades y modificaciones que se deberán implementar en la plataforma actual especializada este tipo de servicios denominada Adsum++, la solución líder de IDI EIKON en el sector, centrada en la trazabilidad y mejora de protocolos de seguimiento de enfermedades.

Objetivos específicos asociados al proyecto:

• Estudio, análisis y comparación entre diferentes arquitecturas y técnicas de aprendizaje que faciliten la generalización de los modelos (transferencia de aprendizaje, aumento de datos, dropout, regularización, parada temprana, etc.).
• Investigación y desarrollo de un sistema distribuido basado en servicios de clasificación de imágenes en la nube y aplicaciones cliente que ayuden a los médicos en la toma de decisiones del prediagnóstico de cáncer
• Investigación, desarrollo, entrenamiento y evaluación de modelos de aprendizaje profundo, a partir de diferentes tipos de imágenes potencialmente disponibles en los Centros de Salud (RGB y ultrasonidos, …), basados en diferentes arquitecturas del tipo “Vision Transformers” (ViT) comparándolas con las “Convolutional Neural Networks” (CNN).
• Diseño y desarrollo de una plataforma IA que permita la integración de diferentes tipos de modelos IA.
• Diseño y desarrollo de una plataforma de exposición de los resultados de estos servicios de clasificación de imágenes en forma aplicaciones enfocadas facilitar la interoperabilidad de los resultados.
• Validación del mejor modelo obtenido en forma como servicio compartido en la nube para probar su posible utilidad clínica en ensayos prospectivos a través de aplicaciones clientes amigables para los médicos.
• Introducción de herramientas para mejor interpretabilidad y explicabilidad de los resultados obtenidos por el modelo de Inteligencia Artificial para el usuario clínico.

Resultados esperados y tecnología desarrollada

• Modelos de aprendizaje profundo, a partir de diferentes tipos de imágenes potencialmente disponibles en los Centros de Salud (RGB y ultrasonidos, …), basados en diferentes arquitecturas del tipo “Vision Transformers” (ViT)
• Plataforma IA: que permitirá la integración de diferentes tipos de módulos IA que emplee los modelos de arquitecturas IA basadas en ViT. Un módulo básico con la funcionalidad de predicción o un módulo ampliado que añadirá funcionalidad de explicabilidad e interpretabilidad para el usuario clínico. Dicha plataforma se integrará a la plataforma actual de protocolos de seguimiento de enfermedades de IDI EIKON.
• Plataforma de protocolos de seguimiento de enfermedades: diseñada y desarrollada por IDI EIKON, es actualmente utilizada por los clientes de la empresa, en el sector sanitario. El objetivo de la plataforma es funcionar desde cualquier navegador y dispositivo con acceso a Intranet/Internet, que permita digitalizar la implementación de los planes de cuidados o estrategias de gestión asistencial de una organización sanitaria (por ámbito asistencial, por patología, por perfil de paciente…), transformar cada plan de cuidados o ruta asistencial en un calendario interactivo de tareas, medir la actuación de cada profesional, equipo y centro en la gestión asistencial de cada plan de cuidados, utilizar todo el conjunto de información registrada para elaborar diferentes Cuadros de Mando e informes que permitan evaluar el estado Clínico y Asistencial de un paciente o de una cohorte de pacientes, facilitando la toma de decisiones en la práctica clínica diaria y también en la forma de gestionar los procesos de salud relacionados con enfermedades crónicas (Resultados de Salud, Calidad de Vida, Actividad de la Enfermedad, Tratamientos y su coste-efectividad, Calidad Asistencial…).
  Permitir el cruce de información de los datos recogidos con los sistemas de Business Intelligence de cada organización para medir logros en materia de coste-eficiencia y de satisfacción del paciente y utilizar los datos en procesos de Predictive & Prescriptive Analytics, basados en algoritmos probabilísticos de Machine Learning y Deep Learning que potencien la Ayuda a la Toma de Decisiones (CDSS).
  Además de recoger, y devolver, información relevante a los sistemas de información pre-existentes (Historia Clínica, Base de datos poblacional…) utilizando mecanismos estándares y sin ningún impacto en el día a día de la organización y sus herramientas y promocionando la Cultura del dato (estructurado, homogéneo, recurrente, agregado, “Real World Data” (RWD)
  El resultado de Vit4cancer se integrará en la plataforma actual de IDI EIKON, para lo cual se llevarán a cabo importantes desarrollos de comunicación, seguridad y optimización de obtención y uso de resultados (obtención de datos e imágenes) en forma de pasarela hospitalaria.
• Aplicación móvil para el caso de imágenes de espectro visible: Para los tipos de cáncer escogidos en Vit4cancer que utilicen imágenes de espectro visible, implementando una aplicación web progresiva para la toma y envío de imágenes por parte del profesional clínico, a la instancia de IDI EIKON instalada en el hospital.

Resultados finales

El resultado de nuestro estudio concluye que MaxViT es el mejor clasificador basado en transformadores, coincidiendo con el estudio realizado por Sriwastawa, si bien ninguno de estos modelos presenta un rendimiento significativamente mejor que los modelos CNNs.

Comparado con las arquitecturas CNN, los transformadores puros carecen de algunos sesgos inductivos y dependen en gran medida del entrenamiento con conjuntos de datos masivos. En consecuencia, la cantidad y la calidad de los datos tienen una gran influencia sobre la generalización y robustez de las arquitecturas ViT. Por ello, las arquitecturas CNN funcionan mejor con conjuntos de datos pequeños, mientras que los transformadores funcionan mejor con conjuntos de datos grandes.

Uno de los mayores inconvenientes en la actualidad estriba en que los modelos ViT son computacionalmente costosos. Por ejemplo, la arquitectura ViT básica [6] requiere 18 mil millones de FLOPs para procesar una imagen. Por el contrario, el modelo ligero de CNN, puede lograr un rendimiento similar con sólo unos 600 millones de FLOPs. En consecuencia, se necesita desarrollar modelos de transformadores más eficientes.

Sin embargo, las arquitecturas ViT extraen más características de baja frecuencia, mientras que las CNN son más sensibles a las características de alta frecuencia. Por ello, las ViT son más robustas a los ataques adversarios que las CNN.

MaxViT demostró ser el mejor clasificador en nuestros experimentos, si bien con diferencias no significativas respecto a otras arquitecturas. Ello implica que todavía hay margen de mejora en el rendimiento de los modelos basados en transformadores para la clasificación de cáncer, un campo de aplicación que exige una alta precisión.

Para IDI EIKON la investigación en estos modelos, en colaboración con expertos de la UPV, ha sido altamente instructivo y positivo y su estrategia pasa por continuar con las investigaciones de estos modelos, con el convencimiento de su idoneidad para clasificaciones de alta especificidad.