Usted está aquí
Medical Imaging: ¿Cómo se usan las imágenes de referencia? - Interobservador versus intraobservador
Escrito por: Victor Murray
Hasta el año 2012 trabajé fuertemente en temas de procesamiento de imágenes y videos digitales para aplicaciones en medicina, o medical imaging, para, o en colaboración con, the University of New Mexico (UNM), VisionQuest Biomedical, University of Cyprus, Imperial College London, entre otros. Luego, con mi retorno a Perú, debido a grandes retos en engineering education desde UTEC, y al pequeño número de temas avanzados en investigación y desarrollo (R&D, por sus siglas en inglés) en Perú, cada vez fue menor mi dedicación a esos temas. Por suerte, en los últimos dos años, en UTEC ya hay cada vez más alumnos desarrollando sus tesis de pregrado y algunos de ellos, en Ingeniería Electrónica, están orientándose a esa área: medical imaging, lo cual ha permitido que retome de a pocos esos temas.
Para que esta área funcione se necesitan siempre imágenes, o videos, que sirvan como referencia (ground truth) para saber que tan mal o bien funciona tu propuesta, algoritmo o método. Siendo la naturaleza tan compleja y única, es imposible crear manualmente imágenes, o videos, que emulen estas imágenes naturales, de esta forma, crear imágenes sintéticas solamente ayuda en un primer paso, caso ideal o ilustrativo, pero nada más. Entonces, ¿qué imágenes se usan para comprobar el alcance de los nuevos métodos? Normalmente, se usan imágenes que han sido marcadas, calificadas, revisadas por expertos en el tema, y en el caso de medical imaging, estos expertos no son ingenieros, sino médicos, pues ellos son quienes necesitan usar las herramientas que los ingenieros creamos. Estas imágenes pueden ser, por ejemplo, las placas de rayos X, imágenes de resonancia magnética, imágenes de fondo de ojo, etc.
Ahora, siendo los médicos seres humanos, con todo lo que implica, más altas horas de trabajo en busca de nuestro bienestar, es normal que existan errores o diferencias a la hora de evaluar imágenes. Estas variaciones son de dos tipos y conocidas como intra-observer variability e inter-observer variability, o en español como la variabilidad intraobservador versus la variabilidad interobservador.
En términos muy prácticos, la variabilidad intraobservador (intra-observer variability) está relacionada a qué tanto varía la calificación que le da una persona a una imagen en este caso cuando la analiza una y otra vez. Por ejemplo, supongamos que uno recibe un juego de 100 fotos de hojas de árboles en donde debemos clasificarlas en dos grupos: fotos tomadas en otoño versus fotos tomadas en primavera. Si esta clasificación la hacemos a las 8am, cuando recién empezamos las horas de trabajo, tendremos cierta distribución. Ahora, supongamos que volvemos a clasificarlas a las 5pm dos días después. Y luego, para estar más seguros, un día después clasificamos de nuevo el mismo grupo de 100 fotos pero a las 8pm, luego de un largo día de trabajo. Es muy probable que una imagen que en el primer intento fue clasificada como foto tomada en otoño sea en algún momento clasificada como foto tomada en primavera. Esto se puede dar por temas como que las hojas de árboles de la foto sean difíciles de clasificar, que cuando uno está cansado su clasificación falla, que uno cambió de parecer, etc. Esto puede pasar en una imagen o en varias, según sea el caso.
Por otro lado, la variabilidad interobservador (inter-observer variability) está relacionada a las diferencias que existen cuando varias personas evalúan las imágenes. Basándonos en el ejemplo anterior, supongamos que ese juego de 100 fotos de hojas de árboles en donde debemos clasificarlas en dos grupos no se la entregamos a una sola persona sino a 10 personas. Cada una de esas personas vendrá con una clasificación que seguramente será diferente a la del otro en algunos casos.
La imagen mostrada a continuación (obtenida de mavsdesign.com y hecha por MOOC Solid Science | University of Amsterdam), muestra un ejemplo simple de entender estos dos términos.
Estas variabilidades abren varias preguntas, por ejemplo: si el sistema que se desarrolla usa como aprendizaje imágenes que han sido calificadas por personas, y estas calificaciones tienen errores, entonces ¿el límite de un sistema está marcado por la precisión de las personas que calificaron las imágenes? ¿Un sistema con inteligencia artificial será capaz en el futuro de mejorar lo hecho por personas incluso en corregir lo que el experto haya hecho?
Siempre es bueno recordar que en todo este R&D en temas de medicina el objetivo no es reemplazar a los médicos, sino apoyarlos en que ellos tomen mejores decisiones por medio de herramientas que los apoyen y que además puedan invertir su tiempo de mejor manera, por ejemplo, examinando personas enfermas y no a las que están sanas.
La imagen del fondo de ojo utilizada ha sido obtenida de:
EN UTEC VENIMOS DESARROLLANDO LA TECNOLOGÍA
Y LA INGENIERÍA QUE NECESITA EL MUNDO DEL MAÑANA
Carreras en ingeniería y tecnología que van de la mano con la investigación y la creación de soluciones tecnológicas de vanguardia, comprometidas con las necesidades sociales y la sostenibilidad.
Decide convertirte en el profesional que el mundo necesita. Estudia en UTEC y lleva tu ingenio hacia el futuro.
