3D Ischemic Stroke Lesion Segmentation in MRI with Attention U-Net and Voxel-Level Uncertainty Quantification

Cada año, millones de personas en todo el mundo sufren un accidente cerebrovascular, una interrupción repentina del flujo sanguíneo al cerebro que puede provocar la muerte o discapacidad a largo plazo. Cuando ocurre un accidente cerebrovascular, el tiempo es el factor más crítico. Los médicos dependen de la resonancia magnética nuclear, o RM, para ver exactamente dónde ha ocurrido el daño. Estos escaneos producen imágenes detalladas y tridimensionales del cerebro, lo que permite a los médicos localizar el tejido lesionado, conocido como la lesión. Para tratar al paciente de manera efectiva, los médicos deben medir el tamaño y la forma de esta área dañada con precisión. Sin embargo, hacer esto a mano en una pantalla de computadora es lento, tedioso y propenso al error humano, especialmente cuando las áreas dañadas son diminutas o están dispersas.

En años recientes, las computadoras han aprendido a realizar este trabajo de forma automática. Utilizando un tipo de inteligencia artificial llamada aprendizaje profundo, las máquinas ahora pueden escanear imágenes cerebrales y resaltar las áreas dañadas en segundos. Pero existe un problema significativo con la forma en que estas computadoras trabajan actualmente. Actúan como expertos seguros de sí mismos que nunca admiten estar inseguros. Cuando una computadora dibuja un límite alrededor de un accidente cerebrovascular, ofrece una respuesta única y definitiva sin decirle al médico si está absolutamente segura o si solo está adivinando. En un entorno médico, esta falta de honestidad es peligrosa. Un médico necesita saber no solo dónde cree la computadora que está el daño, sino también dónde la computadora tiene dudas, para que pueda verificar esos puntos específicos antes de tomar decisiones de vida o muerte.

Un equipo de investigadores de la Universidad Sidi Mohamed Ben Abdellah en Marruecos ha desarrollado una nueva forma de solucionar esto. Crearon un sistema que no solo encuentra el accidente cerebrovascular, sino que también le dice al médico cuánta confianza tiene en su propio trabajo. Su enfoque combina un potente modelo computacional diseñado para ver todo el cerebro a la vez con un truco ingenioso que permite al modelo "pensar" sobre la misma imagen de varias maneras ligeramente diferentes. Al comparar estos diferentes pensamientos, el sistema puede mapear exactamente qué partes de la imagen están claras y cuáles son confusas. Esto permite que la computadora le entregue al médico un mapa del accidente cerebrovascular junto con un mapa separado que muestra dónde la computadora tiene incertidumbre, convirtiendo una simple herramienta automatizada en un socio confiable para la toma de decisiones médicas.

Los investigadores probaron su nuevo sistema en una gran colección de escaneos cerebrales de un importante desafío internacional que involucró a cientos de pacientes de diferentes hospitales. Estos escaneos incluían dos tipos específicos de imágenes que son el estándar de oro para detectar accidentes cerebrovasculares agudos: una que muestra dónde se bloquea el movimiento del agua en el cerebro, y otra que mide con qué facilidad puede moverse el agua a través del tejido. El equipo entrenó a su computadora para observar todo el volumen tridimensional del cerebro en lugar de solo dividirlo en imágenes planas bidimensionales. Esto es crucial porque los accidentes cerebrovasculares suelen tener formas complejas e irregulares que se extienden a través de múltiples capas del cerebro, y observar el volumen completo ayuda a la computadora a comprender la verdadera estructura de la lesión.

Para que el sistema fuera consciente de su propia confianza, los investigadores utilizaron una técnica llamada Monte Carlo Dropout. En términos simples, esto implica mantener un pequeño interruptor encendido dentro del cerebro de la computadora durante el análisis final. Normalmente, este interruptor se apaga una vez que la computadora ha sido entrenada, pero aquí, lo dejaron encendido. Este interruptor apaga aleatoriamente pequeñas partes del proceso de pensamiento de la computadora cada vez que mira una imagen. Debido a que la computadora ve la misma imagen a través de "lentes" ligeramente diferentes cada vez, produce una respuesta ligeramente distinta por cada mirada. Los investigadores pidieron a la computadora que mirara cada escaneo cerebral veinte veces. Al promediar estas veinte respuestas diferentes, la computadora creó una imagen final, más precisa, del accidente cerebrovascular. Más importante aún, al observar cuánto diferían esas veinte respuestas entre sí, la computadora pudo calcular una puntuación de incertidumbre para cada punto de la imagen.

Los resultados mostraron que este método funciona en dos niveles. Primero, la computadora mejoró su capacidad para encontrar el accidente cerebrovascular. Al utilizar un tipo específico de mecanismo de atención que enseñó al modelo a enfocarse en las partes más importantes de la imagen e ignorar el tejido cerebral sano, el sistema mejoró su capacidad para detectar las áreas dañadas. Encontró más del tejido real del accidente cerebrovascular que los métodos anteriores, lo cual es vital porque omitir incluso una pequeña parte de tejido cerebral dañado puede conducir a un mal plan de tratamiento. El sistema alcanzó una puntuación de 0.6816 en la medición de qué tan bien su contorno coincidía con el daño real, siendo el mejor resultado entre los métodos de modelo único probados en este conjunto de datos específico.

Segundo, y quizás más importante, el sistema generó con éxito los mapas de incertidumbre. Los investigadores encontraron que cuando la computadora estaba segura, sus veinte miradas coincidían, lo que resultaba en una puntuación de incertidumbre baja. Cuando la computadora tenía dudas, las veinte miradas variaban significitamente, creando una puntuación de incertidumbre alta. Estas puntuaciones altas aparecieron exactamente donde la computadora cometía errores: en los bordes difusos del accidente cerebrovascular o en lesiones muy pequeñas y difíciles de ver. El sistema marcó naturalmente los accidentes cerebrovasculares más pequeños y complejos como los casos de mayor incertidumbre. Esto significa que, en un hospital real, un médico podría mirar el mapa de la computadora e identificar inmediatamente un área de incertidumbre brillante alrededor de un punto difícil, sabiendo que ese es exactamente el lugar que debe examinar de cerca.

El estudio también comparó su modelo de computadora único con otros sistemas que utilizan muchos modelos diferentes trabajando juntos, conocidos como ensambles (ensembles). Aunque esos grandes grupos de modelos a veces lograban una precisión ligeramente mayor, no proporcionaban ninguna información sobre la confianza. Seguían siendo cajas negras que daban una respuesta única sin explicación. El nuevo sistema del equipo marroquí es único porque es el primero en proporcionar un mapa de confianza detallado, punto por punto, para la segmentación de accidentes cerebrovasculares tridimensionales en este referente. Demuestra que un solo modelo bien diseñado puede ser tanto preciso como honesto sobre sus limitaciones.

Este trabajo representa un cambio de tratar a la inteligencia artificial como una caja mágica que simplemente emite un resultado, a tratarla como una herramienta que comunica su razonamiento. Los investigadores demostraron que, al permitir que la computadora exprese su incertidumbre, no tuvieron que sacrificar la precisión. De hecho, el método mejoró la detección de accidentes cerebrovasculares pequeños sin requerir tiempo de entrenamiento adicional o cambios complejos en la arquitectura subyacente. El sistema está listo para ser utilizado en un flujo de trabajo donde la computadora realiza el trabajo pesado de escanear la imagen, y el médico se enfoca su experiencia solo en las áreas donde la computadora tiene dudas. Esta asociación asegura que la velocidad de la automatización se combine con la seguridad de la supervisión humana, un paso necesario para llevar estas tecnologías a los hospitales del mundo real para ayudar a los pacientes a recuperarse de un accidente cerebrovascular.