DIVULGACIÓN CIENTÍFICA DE CHILE Y LATINOAMÉRICA | Chile & Latinoamérica | Investigación de Chile, Latinoamérica y el mundo | Investigación | Científicos chilenos | Investigación científica | Revista científica | Revista indexada | Artículo de investigación científica | Investigadores chilenos | Productividad científica | Publicación científica | Ciencia para todos |
IBSN 50-078-618-05
La introducción de CorRELAX, un novedoso algoritmo de Deep Learning basado en la correlación, aborda la principal limitación que frena la adopción clínica masiva de la Inteligencia Artificial (IA) en el tamizaje mamográfico: la falta de interpretabilidad. Este método de atribución de características está específicamente diseñado para cuantificar la relevancia de regiones localizadas dentro de imágenes de mamografía de alta resolución, una capacidad que los métodos tradicionales de saliency maps a menudo comprometen al reducir la resolución de entrada, perdiendo detalles cruciales como las microcalcificaciones. CorRELAX, al utilizar una estrategia de ventana deslizante (sliding-window), genera mapas de segmentación gruesa interpretable que, al combinarse con las predicciones del modelo, ofrecen una localización de lesiones robusta de los hallazgos patológicos. La evaluación demuestra un rendimiento competitivo en la detección de cáncer de mama, consolidando a CorRELAX como un facilitador clave para la integración segura y transparente de la eXplainable Artificial Intelligence, XAI, en los flujos de trabajo clínicos.
Se ha desarrollado CorRELAX como una modificación del algoritmo RELAX, expandiendo la medición de la importancia de las características al cuantificar la correlación entre las distancias de las representaciones de los vectores de características y las predicciones del modelo. La metodología se basa en la premisa de que un modelo bien entrenado debe inferir predicciones similares a partir de representaciones internas de input similares, incluso cuando la información está incompleta (enmascarada). El proceso implica segmentar la imagen de mamografía en ventanas pequeñas e intersecantes (256x256 píxeles con un paso de 48 píxeles), alimentando cada ventana a un clasificador Deep Learning EfficientNetV2. Posteriormente, se aplican máscaras aleatorias a las ventanas y se mide el coeficiente de correlación entre la similitud de los vectores de características internos y las predicciones de las imágenes enmascaradas. Esto permite obtener un mapa de correlación que visualiza cómo el conocimiento aprendido por el modelo se alinea con las representaciones, resultando en una localización de lesiones más fiable y proporcionando una métrica robusta de la relevancia de las características de entrada.
El desarrollo y la evaluación primaria de CorRELAX se anclan en el análisis del conjunto de datos VinDr-Mammo, una fuente pública con anotaciones detalladas de hallazgos patológicos, incluyendo masas, calcificaciones y distorsiones arquitectónicas. Este dataset proviene de exámenes de 5000 pacientes de Hanoi Medical University Hospital (HMUH), Vietnam. Sin embargo, la robustez clínica del algoritmo fue validada rigurosamente utilizando imágenes de mamografía de pacientes chilenas obtenidas de procedimientos de cribado en un hospital local en Chile, bajo la autorización de la Junta de Revisión Institucional (IRB) de la Universidad de Valparaíso. Este estudio se sitúa en un contexto de urgente necesidad global, ya que la detección temprana del cáncer de mama y la disponibilidad de herramientas de apoyo diagnóstico son fundamentales para mejorar los resultados de supervivencia, especialmente en entornos de bajos recursos del sur global, donde existen barreras significativas al acceso. La investigación de vanguardia en Inteligencia Artificial Explicable (XAI) ha resultado en la creación de CorRELAX, un método robusto de atribución de características que mide la correlación entre las representaciones internas de un modelo Deep Learning y sus predicciones, logrando una localización de lesiones altamente precisa en mamografía de alta resolución.
El hito científico que presenta a CorRELAX fue formalmente publicado el 23 de septiembre de 2025, en la revista científica Frontiers in Oncology. Este trabajo, fruto de una rigurosa investigación, fue recibido para revisión por pares el 31 de marzo de 2025, y aceptado meses después, el 13 de agosto de 2025. La investigación se apoya en el desarrollo previo de un clasificador Deep Learning cuya selección de modelo fue detallada en 2023, situando el algoritmo en la vanguardia de la tendencia reciente hacia la transparencia en los modelos de imagenología médica. Este timing subraya la urgencia de integrar herramientas de Inteligencia Artificial Explicable en los protocolos de tamizaje de cáncer de mama, especialmente en el contexto del Sur Global, donde la detección temprana es crucial para mejorar las tasas de supervivencia.
La relevancia de CorRELAX radica en su capacidad para abordar una limitación fundamental en la adopción clínica de los modelos de Deep Learning: la opacidad en la toma de decisiones, o falta de interpretabilidad. Los métodos tradicionales suelen comprometer la resolución de la imagen, arriesgándose a pasar por alto hallazgos clínicamente críticos como las microcalcificaciones. En contraste, CorRELAX cuantifica la contribución de regiones localizadas de mamografías de alta resolución, facilitando una evaluación fiable de la importancia de la información local. El equipo de investigación afirma que esta metodología de XAI permite la "toma de decisiones clínicamente fiable y aborda una barrera crítica hacia la integración de métodos basados en IA" en los flujos de trabajo de detección temprana. Además, su rendimiento es competitivo; por ejemplo, en la detección de masas, supera el 52 % de precisión en el Pointing Game, en comparación con el 41 % o menos reportado por métodos basados en Grad-CAM.
El propósito central de CorRELAX es generar mapas de segmentación gruesa interpretable y mapas de predicción global que faciliten la localización precisa de lesiones en la mamografía. La herramienta está diseñada para complementar el juicio del radiólogo, ofreciendo una representación visual que indica qué regiones de la imagen son más relevantes para la decisión del modelo. Esto es particularmente útil para la detección automatizada de lesiones pequeñas o poco visibles que son propensas a ser ignoradas por otros métodos. Al fusionar los mapas de predicción y correlación, el algoritmo demarca con mayor certeza el área donde se encuentran los hallazgos patológicos. A futuro, los autores planean aplicar CorRELAX a otros contextos de imagenología médica, como la imagen cerebral, y buscan la integración de descriptores radiómicos en el análisis de correlación para enriquecer la explicación semántica de los resultados.
El desarrollo de CorRELAX, una extensión del algoritmo RELAX, se basa en una estrategia de ventana deslizante (sliding-window) sobre la imagen completa de mamografía. Inicialmente, un clasificador EfficientNetV2, entrenado con recortes multi-escala del dataset VinDr-Mammo, procesa cada ventana de 256x256 píxeles para obtener su vector de características interno y su predicción. El componente novedoso es la medición de la correlación. Se generan múltiples versiones de la misma ventana con oclusiones parciales aleatorias, y se calcula el coeficiente de correlación entre la similitud de los vectores de características internos (Sh) y las predicciones del modelo (Sŷ). Esta correlación mide el alineamiento del conocimiento aprendido con las representaciones locales. Finalmente, todas las mediciones de las ventanas se ensamblan en un mapa global mediante una operación de convolución que utiliza un kernel de adyacencia basado en el Intersection over Union (IoU), resultando en los mapas de calor de correlación y predicción.
Los investigadores destacan que CorRELAX supera las deficiencias inherentes a las técnicas de Inteligencia Artificial Explicable (XAI) basadas en gradientes, como Grad-CAM, cuya tendencia a generalizar en regiones amplias resulta en una pérdida crítica de detalle para la detección de cáncer de mama, especialmente para microcalcificaciones. Al contrastar el rendimiento mediante la métrica Pointing Game, CorRELAX demuestra una precisión competitiva para la localización de lesiones. Específicamente, en la identificación de masas, el mapa de correlación de CorRELAX alcanzó un 42.01 %, un valor significativamente superior al 41 %, 30 %, y 35 % reportado por estudios que evaluaron Grad-CAM, Grad-CAM++, y Eigen-CAM, respectivamente. Esta superioridad se atribuye a la capacidad de CorRELAX de utilizar ventanas locales en mamografías de alta resolución, preservando la información espacial detallada, lo que según los autores: "facilita la toma de decisiones clínicamente fiable y aborda una barrera crítica hacia la integración de métodos basados en IA".
A pesar de los resultados prometedores en la localización de lesiones mediante atribución de características, el equipo científico identifica varias rutas de investigación y limitaciones que deben abordarse. Una restricción actual es la escasez de ejemplos etiquetados (labeled examples) en los datasets públicos para hallazgos menos comunes como asimetrías o distorsiones arquitectónicas, limitando la generalización del modelo. En el futuro, los autores planean aplicar CorRELAX a otros contextos de imagenología médica, como la imagen cerebral, para evaluar la correlación entre las características aprendidas y la información radiómica en distintas modalidades. Además, se buscará una integración más profunda de los descriptores radiómicos en el análisis de correlación en mamografía para mejorar la riqueza semántica de las explicaciones proporcionadas al radiólogo. También se sugiere realizar un análisis más exhaustivo de la estrategia de enmascaramiento y oclusión para optimizar la estabilidad y la eficiencia de CorRELAX en tiempo real.
CorRELAX establece un paradigma robusto dentro de la Inteligencia Artificial (IA) Explicable al medir la correlación entre los vectores de representación de características internas y las predicciones resultantes de regiones locales en mamografía de alta resolución. El modelo exhibe un rendimiento sobresaliente en la clasificación de masas y calcificaciones, con puntuaciones F1 de 0.7372 y 0.8402, respectivamente. Los mapas de correlación y predicción generados permiten identificar las áreas que el modelo considera más relevantes, aumentando la certeza de las predicciones globales. En perspectiva, este método ofrece valiosos insights para la identificación automática y la localización precisa de pequeños hallazgos patológicos en las etapas de tamizaje de cáncer de mama. El objetivo final es reducir los tiempos de evaluación diagnóstica y proporcionar al radiólogo información más completa, respaldada por la XAI, para una evaluación integral del riesgo oncológico.
CorRELAX se establece como un método novedoso de Inteligencia Artificial Explicable (XAI) que emplea la atribución de características basada en correlación para superar la opacidad inherente a los modelos de Deep Learning en el diagnóstico de cáncer de mama. A diferencia de los métodos de saliency maps basados en gradientes, CorRELAX está diseñado para evaluar la contribución de la información local parcial en la toma de decisiones global del modelo. La metodología cuantifica el alineamiento entre las representaciones internas de características y las predicciones, proporcionando una explicación robusta de la inferencia del modelo.
La técnica CorRELAX cuantifica la relevancia de regiones localizadas al medir la correlación entre las distancias de las representaciones de las características de entrada (vectores de características internos) y las predicciones del modelo. Esta correlación se evalúa bajo oclusiones parciales y aleatorias de la imagen de entrada. El método se basa en la suposición de que esta correlación debe ser más alta cuando el modelo está más seguro de que las características de entrada son relevantes para la predicción, basándose en el conocimiento aprendido. Este enfoque de Inteligencia Artificial Explicable (XAI) facilita la toma de decisiones clínicamente fiable y aborda una barrera crítica hacia la integración de métodos basados en IA en los flujos de trabajo de cribado de cáncer de mama.
Un desafío crítico en el análisis de imágenes médicas es la dependencia de los modelos de Deep Learning a la reducción de la resolución de entrada, lo que a menudo resulta en la omisión de hallazgos clínicamente relevantes y pequeños, como las microcalcificaciones. CorRELAX supera este problema de compromiso computacional al implementar una estrategia de ventana deslizante (sliding-window) para extraer representaciones de características internas y predicciones resultantes de pequeñas regiones (256x256 píxeles) a lo largo de la mamografía de alta resolución.
El clasificador EfficientNetV2 se entrena utilizando recortes multi-escala del dataset VinDr-Mammo. Al procesar cada ventana local, se preserva el detalle espacial, crucial para la detección temprana de cáncer de mama. Posteriormente, todas las mediciones de correlación y predicción de las ventanas se ensamblan en un mapa global mediante una operación de convolución que utiliza un kernel basado en la Intersección sobre la Unión (IoU). Este proceso permite generar mapas de segmentación gruesa interpretable que mejoran la sensibilidad del modelo a los hallazgos patológicos pequeños y facilitan su localización precisa de lesiones.
La robustez de CorRELAX en la detección de cáncer de mama y su capacidad para generar mapas de predicción global han sido validadas cuantitativamente, demostrando un rendimiento competitivo en la localización de lesiones. El modelo entrenado con recortes multi-escala alcanzó puntuaciones F1 de 0.8432 para calcificaciones y 0.7392 para masas, indicando una alta fiabilidad en la clasificación de los hallazgos más comunes.
La precisión de la localización fue evaluada utilizando la métrica Pointing Game, logrando una exactitud ponderada media de 0.6358 con los mapas de predicción (utilizando un umbral de detección del 25%) y 0.5602 al utilizar los mapas de correlación. Específicamente, en la localización de lesiones de masa, el mapa de correlación de CorRELAX alcanzó un 42.01% de precisión. Estos resultados demuestran la superioridad del método en comparación con técnicas tradicionales de XAI basadas en gradientes, cuyo rendimiento para masas se reporta alrededor del 41% o menos, reafirmando la capacidad de CorRELAX para mejorar la detección automatizada de lesiones y proporcionar insights transparentes al radiólogo.
En NOTICIAS CIENTÍFICAS | BLOGARUBIO creemos que el acceso a la información, el conocimiento y la ciencia debe ser un derecho universal. Difundimos investigaciones científicas de Chile, Latinoamérica, el Caribe y del mundo, en todas las áreas del saber. Nuestra misión es expandir el conocimiento y la ciencia, y necesitamos el apoyo de personas como usted, que nos leen y hacen posible esta labor.
Comentarios