Un modelo de base de IA completamente abierto aplicado a la radiografía torácica

Área de la Ciencia:

• Inteligencia artificial en imágenes médicas
• Aprendizaje Profundo para Radiología
• Modelos de fundación en el cuidado de la salud

Sus antecedentes:

• La radiografía de tórax es una herramienta primaria para diagnosticar enfermedades pulmonares.
• Los modelos actuales de aprendizaje profundo para rayos X de tórax tienen limitaciones en el alcance, la generalización y la robustez.
• Necesidad de soluciones avanzadas de IA para mejorar la precisión y la eficiencia del diagnóstico en radiología.

Objetivo del estudio:

• Desarrollar Ark+, un modelo básico para la radiografía de tórax para superar las limitaciones de los modelos de aprendizaje profundo existentes.
• Mejorar el alcance del diagnóstico, la generalización, la adaptabilidad y la robustez en la interpretación de la enfermedad torácica.
• Para crear un modelo de IA extensible de código abierto para imágenes médicas.

Principales métodos:

• Desarrollado Ark + utilizando un enfoque de modelo de fundación para la radiografía torácica.
• Preentrenó el modelo acumulando y reutilizando cíclicamente el conocimiento de etiquetas de expertos heterogéneos en numerosos conjuntos de datos.
• Estrategias incorporadas para manejar sesgos de datos, distribuciones de cola larga y apoyar el aprendizaje federado para la privacidad.

Principales resultados:

• Ark+ demuestra un rendimiento superior en el diagnóstico de enfermedades torácicas, ampliando el alcance del diagnóstico y reduciendo el diagnóstico erróneo.
• El modelo muestra adaptabilidad a las necesidades de diagnóstico en evolución, puede aprender condiciones raras de pocas muestras y transfiere conocimiento sin capacitación.
• Logró un rendimiento sin precedentes mediante la agregación de diversos conjuntos de datos y conocimientos expertos, superando los modelos propietarios.

Conclusiones:

• Ark+ representa un avance significativo en la IA para la radiografía de tórax, ofreciendo mejores capacidades de diagnóstico y adaptabilidad.
• Los modelos de fundación abierta entrenados en datos diversos y heterogéneos pueden superar a los modelos propietarios, promoviendo la ciencia abierta en IA para la medicina.
• El lanzamiento del código y los modelos de Ark+ facilita el ajuste fino, la adaptación local y la mejora adicional, democratizando la IA en el cuidado de la salud.