La Consejería de Universidad, Investigación e Innovación ha financiado un proyecto de I+D impulsado por un equipo de investigación de la Universidad de Cádiz y del Hospital Universitario Puerta del Mar que desarrolla un modelo basado en inteligencia artificial (IA) con el que se mejora la detección automática de posibles alteraciones en radiografías de tórax. La herramienta se presenta como un aliado rápido y preciso para neumólogos y radiólogos en el diagnóstico de enfermedades pulmonares.
Algunas anomalías que se producen en el pulmón con patologías como la silicosis se presentan de forma sutil en sus fases iniciales, lo que puede dar lugar a interpretaciones clínicas diferentes. En el artículo ‘Localization and classification of abnormalities on chest X-ray images using a Mamba-YOLOvX model’, publicado en la revista Expert Systems with Applications, estos expertos en neumología e inteligencia artificial han evaluado un nuevo modelo, denominado Mamba-YOLOvX, que permite localizar lesiones de diversos tamaños de forma rápida y efectiva.
El modelo está basado en algoritmos de aprendizaje automático que utilizan una arquitectura conocida como redes neuronales convolucionales, que imitan el funcionamiento de la corteza visual humana. Así, el sistema aprende a reconocer y diferenciar objetos analizando miles de imágenes. Primero, se entrena con ejemplos en los que se indica qué se debe identificar y, a partir de ahí, la red extrae automáticamente patrones y características cada vez más complejas. Esto le posibilita hacer predicciones sobre nuevas imágenes, corregirse con la experiencia y mejorar con cada intento.
De esta manera, los expertos han entrenado a la IA con miles de radiografías diferentes. «En muchas ocasiones, algunas lesiones pulmonares pueden pasar desapercibidas en los exámenes radiológicos, dada la gran dificultad en la interpretación de esta modalidad de imagen médica. Incluso cuando la enfermedad pasa de un estado inicial a otro de mayor gravedad, la evaluación por parte del experto está sujeta, a menudo, a cierta subjetividad y variabilidad», indica el investigador de la Universidad de Cádiz, Daniel Sánchez Morillo, coautor del artículo.
Los resultados obtenidos con el modelo han supuesto una mejora en la precisión de diagnóstico con respecto a otros métodos desarrollados recientemente. «Es especialmente efectivo en el caso de lesiones pequeñas. Por eso, este sistema tiene todo el potencial para ser aplicado como herramienta de apoyo clínico en la detección precoz de lesiones pulmonares», añade el investigador.
Cribar, diagnosticar, decidir
El nuevo modelo combina la información global de la imagen, es decir, el contexto general, como la forma de los pulmones o la posición del corazón, con la información local, los pequeños detalles que pueden indicar lesiones o irregularidades. Esto hace posible detectar problemas a diferentes escalas.
Además, el sistema incorpora mecanismos de atención espacial y de canal, que funcionan como filtros inteligentes capaces de concentrarse sólo en las zonas relevantes de la radiografía y en las características más útiles, ignorando lo que no aporta información. Así, sólo atenderá al pulmón, apartando las costillas o los hombros, y discriminará zonas sanas para centrarse sólo en aquellas que puedan presentar alteraciones.
También incluye bloques de escaneo selectivo, que analizan la imagen en distintas resoluciones y permiten identificar lesiones muy pequeñas, que suelen pasar desapercibidas. Se podría decir que parte de la imagen completa, al mismo tiempo que amplía distintas zonas de la radiografía.
Puntos clave del tórax
Para una mejora en el entrenamiento del modelo, se han empleado datos de distintos centros hospitalarios y una estrategia conocida como aumento de datos, en las que se segmentan las costillas y se alinean puntos clave del tórax para generar nuevas imágenes homogéneas desde una perspectiva anatómica. Con esto, se consigue que sea robusto, incluso ante radiografías de distintos hospitales, de diferente resolución o adquiridas con otro equipamiento. El sistema aprende mejor y funciona de forma más generalizada.
El trabajo forma parte del proyecto PEOPLE, una iniciativa centrada en el desarrollo de herramientas avanzadas de inteligencia artificial capaces de dar soporte para mejorar el diagnóstico temprano y la predicción del pronóstico de la silicosis. Esta dolencia se produce por la inhalación de polvo de sílice cristalina, una sustancia que se genera en el trabajo con algunos materiales, como la piedra artificial. En él, los expertos han puesto en marcha otros modelos, empleando radiografías de tórax, biomarcadores sanguíneos e imágenes de tomografía computarizada de alta resolución. El objetivo es crear un enfoque integral que mejore la precisión y la rapidez en la identificación de esta patología pulmonar. Todo ello con la colaboración de más de 100 pacientes de la provincia de Cádiz.
