El algoritmo de los 'deepfake' mejora el diagnóstico del cáncer

El algoritmo de los 'deepfake' mejora el diagnóstico del cáncer

El coste es el gran desafío, ya que necesitan potentes procesadores para sintetizar las imágenes a alta resolución

JOSÉ ANTONIO GONZÁLEZ

Las redes generativas antagónicas se han convertido en las protagonistas en los últimos meses, pero su nombre popular son los 'deepfakes' o algoritmos capaces de generar imágenes falsas hasta vídeos erróneos.

El último gran escándalo ha sido la app DeepNude que simplificaba la labor de 'desnudar' fotos de mujeres vestidas recurriendo a la inteligencia artificial. Sin embargo, esta cara b tiene una versión amable para la sociedad.

Investigadores del Instituto de Informática Médica de la Universidad de Lübeck han propuesto un nuevo enfoque para este tipo de redes: el diagnóstico médico.

Según la investigación, estos algoritmos podrían sintetizar imágenes altamente realistas también podría tener beneficios importantes para el diagnóstico médico. Estos algoritmos son «excelentes para la coincidencia de patrones en imágenes; pueden entrenarse para detectar diferentes tipos de cáncer en una tomografía computarizada, diferenciar enfermedades en las resonancias magnéticas e identificar anomalías en una radiografía», apuntan los investigadores en su informe.

Gracias a las redes generativas antagónicas o GAN por su nombre en inglés, estas «pueden sintetizar más imágenes médicas que no se pueden distinguir de las reales, multiplicando efectivamente un conjunto de datos por la cantidad necesaria».

El estudio lo dividieron en dos etapas. En primer lugar, las redes crean la imagen completa en baja resolución y luego genera los detalles en la resolución correcta.

A través de experimentos, los investigadores demostraron no solo que su método generaba imágenes 2D y 3D realistas de alta resolución con bajos recursos computacionales, sino que el gasto también se mantuvo constante independientemente del tamaño de la imagen.

El coste de producción de las imágenes a gran escala es el principal desafío al que se enfrenta los investigadores de la Universidad de Lübeck. Los algoritmos de aprendizaje profundo deben capacitarse en imágenes de alta resolución para producir las mejores predicciones, pero al sintetizar tales imágenes de alta resolución, especialmente en 3D, se necesita mucha potencia de cálculo. «Eso significa que requiere hardware especial y costoso, lo que hace que su uso a gran escala sea poco práctico en los hospitales», apuntan los investigadores.

Más información