Los investigadores Madhu Nair y Asha Das, situados en India, lograron entrenar un modelo de inteligencia artificial para detectar las células cancerosas en imágenes tomadas del tejido de las pacientes. ¿Cómo funciona esta tecnología que podría contribuir con el diagnóstico de los oncólogos y médicos especializados en cáncer de mama?
El gran desafío que enfrentaban el Dr. Madhu Nair y la Dra. Asha Das radicaba en
enseñar a su modelo de inteligencia artificial a reconocer de manera precisa las células cancerosas. Das y su equipo tardaron meses en obtener avances e invirtieron mucho tiempo en revisar los exámenes de los pacientes para marcar los tejidos cancerosos.
La Dra. Asha Das explica que su equipo recurrió, principalmente, a soluciones basadas en GPU para mejorar sus modelos de aprendizaje profundo. Las GPU son unidades de procesamiento gráfico que consisten en un coprocesador dedicado al procesamiento de gráficos u operaciones de coma flotante para aligerar el trabajo de la CPU central.
El problema es que a menudo estos sistemas fallan, ya que la cantidad de cálculos necesarios para procesar imágenes grandes superan los límites del diseño de los sistemas, lo cual no permitía que el objetivo se lograra o que el proceso avanzara.
Según Nair, el proceso de ejecutar el programa tomaba varios días y resultaba difícil completar el entrenamiento para imágenes de alta resolución.
Es aquí cuando entra la empresa
Intel, brindando una solución novedosa utilizando procesadores Intel® Xeon® Scalable y la Optimización de Intel® para TensorFlow, un conjunto de software que aprovecha al máximo las características de aceleración en las CPUs de Intel.
¿Cómo funciona el modelo de inteligencia artificial?
Los resultados fueron positivos. El nuevo modelo de inteligencia artificial no solo detecta células cancerosas, sino que también distingue diferentes grados de cáncer. Además, es extremadamente preciso, logró detectó las células con una precisión del 98%, aproximadamente 10 puntos porcentuales mejor que otros modelos. Estas cifras se lograron con mucha menos cantidad de datos de entrenamiento que los modelos anteriores necesitaban, logrando acortar los tiempos de respuesta.
"Es notable que hayamos logrado una precisión del 98 por ciento con solo el 20 por ciento de los datos anotados. Eso es realmente emocionante", señaló Das.
Más en Andina: (FIN) NDP/CJP/SPV
Publicado: 23/6/2023