El estado de la IA: un chat informal con líderes de IA

Entre los cientos de sesiones educativas y exhibiciones interesantes en el Sociedad Radiológica de América del Norte‘s (RSNA) reunión anual de 2021, una presentación única tomó el centro del escenario, literal y figurativamente. Aquí hay extractos de una discusión profunda de una hora con un panel estelar de radiólogos y expertos en imágenes biomédicas sobre el estado presente y futuro de inteligencia artificial (IA) en radiología.

“Radiología: Inteligencia Artificial” se presentó como un Fireside Chat facilitado por Dania Daye, MD, PhDy Pablo Yi, MDcon una aparición especial del Editor Charles E. Kahn, Jr., MD, MS. Los panelistas destacados incluyeron: Dr. John Mongan, Doctor en Medicina; Jayashree Kalpathy-Cramer, MS, PhD; y Dra. Linda Moy.

Acerca de los moderadores

Dania Daye MD Doctorado

Dania Daye, MD, PhD, es profesor asistente de Radiología Intervencionista en Hospital General de Massachusetts/ Escuela Médica de Harvardy miembro de la facultad de investigación de la MGH/HST Athinoula A. Martinos Centro de Imágenes Biomédicas. Ella es una de las docentes del nuevo programa de certificación de IA de imágenes RSNA. Este programa específico de radiología combina un plan de estudios basado en casos con una aplicación práctica y ofrece un camino para comprender cómo aprovechar la IA. También es coanfitriona del podcast Radiology AI de RSNA.

Pablo Yi MD

Dr. Paul Yi, es director de la Imágenes médicas inteligentes de la Universidad de Maryland (UM2ii) de la Facultad de Medicina de la Universidad de Maryland, donde también es profesor asistente de radiología diagnóstica y medicina nuclear. A Johns Hopkins, es científico investigador adjunto en el Malone Center for Engineering in Healthcare. Anteriormente, fue uno de los codirectores fundadores del Johns Hopkins Radiology AI Lab (RAIL). Actualmente es coanfitrión del podcast Radiology AI de RSNA.

Conozca a los panelistas

John Mongan MD Doctorado

Dr. John Mongan, Doctor en Medicina, Doctorado, es presidente asociado de informática traslacional, director del Center for Intelligent Imaging y profesor asociado de radiología clínica (sección de imágenes abdominales y ultrasonido) en el departamento de radiología e imágenes biomédicas de la Universidad de California, San Francisco. Está certificado por la junta tanto en radiología diagnóstica como en informática clínica. Su investigación se centra en la inteligencia artificial en imágenes médicas. Preside el Comité Directivo de Aprendizaje Automático de RSNA.

Linda Moy MD

Dra. Linda Moy, es profesor de radiología en la Facultad de Medicina Grossman de la Universidad de Nueva York con citas adicionales en el NYU Center for Advanced Imaging Innovation and Research y el NYU Vilcek Institute of Graduate Biomedical Sciences. Es directora de IRM de mama (clínica y de investigación) en toda la Red de Salud de la NYU. Moy, un experto reconocido internacionalmente en imágenes mamarias, resonancia magnética e inteligencia artificial, es miembro de la Comisión de Imágenes Mamarias del Colegio Estadounidense de Radiología, que aborda cuestiones relacionadas con las imágenes mamarias, las pruebas de detección y la regulación gubernamental. Es editora adjunta de RSNA Radiología publicación, y se desempeñará como editora a partir de enero de 2023. También es directora de cursos para el nuevo programa RSNA Imaging AI Certificate que ayuda a los radiólogos a aprender aplicaciones prácticas de IA y cómo aprovechar la IA para su práctica.

Jayashree Kalpahy-Cramer MS PhD

Jayashree Kalpathy-Cramer, MS, PhD, es el director de la Laboratorio de Imágenes Tumorales Cuantitativas y Centro de Aprendizaje Automático en el Athinoula A. Martinos Center for Biomedical Imaging, y profesor asociado de radiología en el Hospital General de Massachusetts/Escuela de Medicina de Harvard. Kalpathy-Cramer también es director científico en MGH y BWH Center for Clinical Data Science. Recibió su doctorado en ingeniería eléctrica del Instituto Politécnico Rensselaer.

Carlos Kahn MD

Charles E. Kahn, Jr., MD, MS, FACR es vicepresidente del departamento de radiología, informática, profesor de radiología en el Hospital de la Universidad de Pensilvania; y miembro principal del Instituto de Informática Biomédica. En este puesto, sus responsabilidades incluyen la informática de imágenes y la gestión departamental. Es mentor de destacados aprendices y profesores jóvenes, participa en investigaciones de vanguardia y contribuye a enfoques innovadores para mejorar la atención al paciente. Además, se desempeña como editor de una publicación de RSNA, Radiología: Inteligencia Artificial.

P: Mirando hacia atrás a 2016 cuando Profesor Geoffrey Hintan, PhD, el padrino del aprendizaje profundo, declaró: “La gente debería dejar de capacitar a los radiólogos ahora, ya que es obvio que el aprendizaje profundo reemplazará a los radiólogos”. Eso fue hace cinco años, y claramente ha sucedido mucho en el campo.
¿Puede compartir lo que ve que son los hitos y avances clave en radiología IA?

Dra. Mongan: Uno de los hitos clave fue, de hecho, ese discurso. Podemos regodearnos un poco, pero le debemos una deuda de gratitud ya que nos enfocó a todos en el impacto de la IA. Fue un momento decisivo. Creó angustia y preocupación, pero fue algo fundamental que hizo que las personas se concentraran en la importancia y que era algo que debemos abrazar y comprender o se convertirá en una amenaza para nosotros. Es importante reconocer que a los pocos meses de esa cita aprendió más sobre lo que realmente hacen los rads y moderó su posición sustancialmente, y realmente catalizó lo que está ocurriendo hoy. El objetivo de la radiología y la IA es sacar la IA para que pueda mejorar la implementación de la atención médica y los pacientes en general. Un hito es este escaparate en RSNA, la primera vez que hacemos esto. Veo este año como otro hito, y la mayoría de los puestos tienen algo sobre IA. Lo reconocemos y lo ponemos en un pedestal especial para decir ‘Sí. esto es lo que tenemos que empezar a hacer.’ Y ahora pasamos a que se vuelva omnipresente. Tener un AI Showcase aquí en RSNA es un gran paso.

Dr Moy: El hito más grande es que todos aquí, y la Sociedad y sus miembros se dieron cuenta de que esta es una herramienta que debemos adoptar con cuidado (ética, etc.). Es maravilloso para nosotros compartir estos pensamientos y nuestro entusiasmo por la IA, al mismo tiempo que nos damos cuenta de sus limitaciones. Estos increíbles desafíos que enfrentamos hoy son otro hito. Tengo la esperanza de que habrá más intercambio de datos, ya que eso realmente hará avanzar el campo. La mayoría de nosotros nos damos cuenta de que esto todavía es relativamente nuevo para nosotros, así que aprendamos todos juntos y compartamos y descubramos cómo podemos aprovechar el poder de la IA y mejorar realmente la atención al paciente. Ese es nuestro objetivo al final del día.

Dra. Kalpathy-Cramer: Es interesante ver a todos aceptarlo, pero también espero que podamos estar atentos a sus limitaciones y lo que realmente debemos hacer para que tenga éxito en la traducción. La parte difícil no es desarrollar el algoritmo, de alguna manera esa es la parte más fácil del proceso, pero hay muchas otras cosas en las que pensar en términos de resolver el problema correcto. Hemos recorrido un largo camino, pero debemos reconocer que hay muchos, muchos desafíos entre tener algo que funcione en el laboratorio o en papel y llegar a las manos de los usuarios finales.

P: A lo largo de los años, ha habido un énfasis en la colaboración para avanzar en el potencial de la IA. Se ven muchos ejemplos con nuestros panelistas aquí trabajando juntos para presentar soluciones. Pero también hemos visto que ha habido algunas actitudes antagónicas. La colaboración es un gran objetivo en teoría, pero hay muchos desafíos. ¿Cuál es la receta del éxito? ¿Cómo colaboras y qué consejos tienes?

Dra. Moy: Primero, tengo un equipo maravilloso. Es necesario que se reconozca la importancia de todo el procesamiento de los datos y los procesos de revisión involucrados. También es importante tener un componente clínico. Hemos desarrollado modelos, pero algunos en el lado de TI todavía no entienden… y a menudo hacemos muchas preguntas, por lo que es un toma y daca. Implica mucho de ida y vuelta y más que solo romper los silos. Tenemos buenos conjuntos de datos y modelos, y necesitamos apreciar los matices que intervienen en el esfuerzo de llevar ese modelo a una orientación y entorno clínicos. Por lo tanto, los animo a todos a mantener la mente abierta y saber que deben controlarse unos a otros y estar dispuestos a colaborar.

Dra. Kalpathy-Cramer: En la medida de lo posible, es fundamental trabajar juntos para entendernos unos a otros. A menudo vemos que es fácil para un científico informático querer resolver un problema, pero debe tener un impacto clínico. Por lo tanto, los animo a mirar más por encima del hombro de los médicos… Todos debemos trabajar juntos para ayudar a asegurarnos de que estamos haciendo las preguntas correctas y entendiendo el problema correcto. Si no, terminamos con soluciones que no son útiles. Tratar de discernir cómo usamos los algoritmos es vital.

Dra. Mongan: Históricamente, especialmente al principio, hubo un sentimiento de confrontación impulsado por los radiólogos por miedo y, a veces, en el lado de la ciencia de datos, con un sentimiento de arrogancia hasta cierto punto. Creo que este sentido de confrontación desapareció y fue reemplazado por la disposición y el deseo de trabajar juntos, pero aún puede ser un desafío.

Dos cosas son importantes. Primero, que es casi imposible que una sola persona tenga el conocimiento profundo que necesita en todas las disciplinas para participar en este esfuerzo multidisciplinario. Por lo tanto, debe ser un enfoque de equipo. En segundo lugar, al mismo tiempo reconoce que nunca tendrá la profundidad de conocimiento de los demás en el equipo. Tienen una experiencia única y es importante aprender de eso. Entonces, como radiólogo, es importante aprender algo de ciencia de datos y parte de la terminología, y es igualmente importante ayudar a los científicos de datos a aprender sobre radiología clínica. Si tiene una brecha en la comprensión y no hay superposición, podría encontrar malentendidos. Desea llegar a un punto en el que haya al menos una pequeña superposición en la interfaz para facilitar esas comunicaciones.

Dra. Moy: Vale la pena mencionar que RSNA tiene una gran cantidad de recursos educativos para ayudar a los radiólogos a aprender el lenguaje relacionado con la IA, en las revistas y otros materiales, así que asegúrese de consultar esos y otros recursos.

Dra. Kahn: RESPETO. Requiere cierta noción de que respetamos lo que pueden hacer otras personas que tienen conjuntos de habilidades que no necesariamente tenemos, y trabajamos juntos como un equipo. Los radiólogos no necesitan convertirse en científicos de datos… pero de la misma manera que aprendemos sobre física para poder hacer nuestro trabajo y trabajar con otros, esto se convertirá en una parte fundamental de nuestra educación como radiólogos clínicos, para al menos tener una comprensión de científicos de datos Entonces, cuando un colega comienza a hablar sobre la deriva en un modelo, quiere saber qué se está diciendo… y que tenemos un lenguaje común para identificar los problemas y reconocer que la IA es solo una tecnología, una herramienta, una modalidad, un manera de ayudarnos a obtener una mejor atención. Si nos enfocamos en eso, llegaremos mucho más lejos, llegaremos allí y construiremos grandes soluciones que aún no existen. Pero necesitamos colaborar para que esto se haga realidad.

Nota del editor: Parte II de ITNLa cobertura de “Radiology: Artificial Intelligence Fireside Chat” realizada en RSNA 2021 se presentará en la edición de septiembre/octubre de 2022.

Leave a Comment

Your email address will not be published.