Aunque parezca que una radiografía no deja de ser una imagen fija de nuestros huesos, hay mucho más detrás de esta clase de instantáneas. No en vano, a medida que mejora la resolución de la imagen médica, los tamaños de los archivos también lo hacen: muchas imágenes tienen 1 GB o más. Eso supone un reto de almacenaje y procesamiento, máxime cuando queremos revisarlas de forma más rápida y precisa.
En esas lides juega un papel fundamental el aprendizaje profundo. Al menos eso pretende hace Intel, que se ha aliado con Philips para avanzar en ese campo esencial de la medicina moderna.
Hasta ahora, existía una solución de hardware que ya permitía acelerar el aprendizaje profundo: las GPU (las unidades de procesamiento gráfico). Por diseño, las GPU funcionan bien con imágenes, pero también tienen restricciones de memoria inherentes que los científicos de datos han tenido que resolver al construir algunos modelos.
La inversión en inteligencia artificial rozará los 232.000 millones de dólares en 2025
Por el contrario, los procesadores al uso (CPU) no tienen esas limitaciones de memoria y pueden acelerar las cargas de trabajo complejas e híbridas, incluidos los modelos más grandes que se encuentran típicamente en las imágenes médicas. Y por ello Intel quiere utilizar sus chips Xeon para un gran subconjunto de cargas de trabajo de inteligencia artificial en este vertical específico.
Por el momento, las pruebas de Intel y Philips han superado las expectativas existentes. El modelo de predicción de la edad ósea pasó de 1,42 imágenes por segundo a una tasa final de 267,1 imágenes por segundo después de las optimizaciones, un aumento de 188 veces. El modelo de segmentación pulmonar superó con creces el objetivo de 15 imágenes por segundo al mejorar desde una línea de base de 1,9 imágenes por segundo a 71,7 imágenes por segundo después de aplicar la inteligencia artificial.
Con ello, y gracias a las técnicas de IA como la detección y segmentación de objetos, los radiólogos pueden identificar potenciales problemas de manera más rápida y precisa, lo que puede traducirse en una mejor priorización de casos, mejores resultados para los pacientes y costes reducidos para los hospitales.
