Evalúan distintos modelos generados a partir de algoritmos de inteligencia artificial para realizar un diagnóstico rápido y preciso de la neumonía
La neumonía, uno de los principales síntomas de la COVID-19, presenta una alta incidencia en la población más vulnerable, por lo que un diagnóstico automático y fiable de esta patología tiene un enorme interés tanto por su impacto social como económico. Con el objetivo de proporcionar herramientas para tal fin, un estudio realizado por un equipo de investigadores de la Universidad Politécnica de Madrid (UPM) y de la Universidad de Concepción (UdeC), de Chile, ha analizado el potencial de distintos biomarcadores para entrenar modelos de inteligencia artificial que detecten la neumonía en imágenes de rayos X de tórax. Los resultados obtenidos, que han alcanzado en algunos casos una precisión del 99%, confirman la validez de los métodos probados como herramientas fiables y fáciles de implementar para el diagnóstico automático de la neumonía.
La neumonía es una infección respiratoria aguda causada por virus o bacterias. Aunque afecta a personas de todas las edades y suele ser una enfermedad leve, es una de las principales causas infecciosas de muerte entre grupos vulnerables, como los ancianos y los niños. Así, en 2017, esta enfermedad estuvo relacionada con la muerte de más de 808.000 niños menores de cinco años en todo el mundo, representando el 15% de todas las muertes en el mencionado grupo de edad. Un diagnóstico rápido de la enfermedad favorece su tratamiento, reduciendo sus consecuencias más adversas.
En el marco del big data surge el paradigma de la medicina basada en los datos. Las enormes cantidades de datos de pacientes generadas de una forma continua en los centros médicos, contiene un conocimiento cuya extracción y explotación es imposible llevar a cabo de una forma manual por los facultativos, entre otros aspectos, porque una adecuada selección o unión de estos datos puede proporcionar biomarcadores de una enfermedad que no son inmediatos o intuitivos para ellos. En este escenario surge como solución el aprendizaje automático (machine learning, en inglés) capaz de establecer relaciones entre los datos y las patologías. De esta forma se ha desarrollado un elevado número de sistemas que facilitan y aceleran el diagnóstico de distintas enfermedades como pueden ser diferentes tipos de cáncer o la enfermedad de Alzheimer, entre otras.
Proceso de generación de los modelos de machine learning y detección de neumonía. Fuente: Consuelo Gonzalo Martín.
“El objetivo de nuestro estudio ha sido generar modelos de machine learning que detectarán de una forma automática y precisa la neumonía en imágenes de rayos-X de tórax” señala Consuelo Gonzalo, investigadora de la UPM que ha dirigido el equipo de trabajo. Para ello, previamente se procesaron las imágenes disponibles con objeto de eliminar ruido, datos innecesarios y homogenizar las características de todas las imágenes con las que se iba a trabajar. Posteriormente, se extrajeron diferentes atributos relacionados con los patrones (identificados por un neumólogo en las imágenes) para el diagnóstico de la enfermedad. “En este caso, se han definido atributos fundamentalmente relacionados con la textura que presenta la región de los pulmones incluidos en estas imágenes. Estos atributos constituyen los biomarcadores a partir de los cuales generamos los modelos para detectar la neumonía”, continúa explicando Consuelo Gonzalo.
En el estudio, se ha analizado y comparado el comportamiento de diferentes modelos de aprendizaje automático entrenados con diferentes biomarcadores, con objeto de determinar la mejor combinación para resolver el problema planteado, que sería aquella que proporcione un mayor número de casos adecuadamente clasificados (neumonía/no neumonía) para imágenes que no han participado en el proceso de generación de los modelos. De esta forma, se determina la capacidad del modelo generado para trabajar con imágenes nunca vistas por el sistema.
El rango de precisión obtenido dependiendo de los modelos con los que se han generado y de los biomarcadores seleccionados varía entre el 95,3% y el 99%. “En otras palabras, en el primer caso 95,3 de 100 imágenes son adecuadamente diagnosticadas y en el segundo 99 de cada 100. Estos resultados muestran el potencial de los modelos generados”, concluye la investigadora.
Referencia bibliográfica:
César Ortiz-Toro, Ángel García-Pedrero, Mario Lillo-Saavedra, Consuelo Gonzalo-Martín. Automatic detection of pneumonia in chest X-ray images using textural features. Computers in Biology and Medicine, Volume 145, 2022, 105466, ISSN 0010-4825, https://doi.org/10.1016/j.compbiomed.2022.105466 .
