Inteligencia artificial - 12 Febrero, 2024

¿Puede la IA automatizar el análisis de las radiografías de tórax?

Investigadores británicos crean un sistema de acceso gratuito y universal que utiliza la Inteligencia Artificial para identificar diferentes patologías.

X-Raydar es capaz de detectar un total de 37 hallazgos radiológicos anormales con una simple prueba de imagen.

Tags: #redesneuronales, #radiografias, #torax

🕑︎ 2:30 min.

La radiografía de tórax es uno de los procedimientos de imagen más habituales para el diagnóstico de numerosas enfermedades, especialmente de naturaleza cardiaca y pulmonar.

Tal y como recoge la Clínica Mayo¹, los rayos X de tórax producen imágenes del corazón, los pulmones, los vasos sanguíneos, las vías respiratorias y los huesos del tórax y de la columna vertebral, y pueden revelar tanto la presencia de líquidos dentro de los pulmones como de aire y líquido a su alrededor.

Esta prueba de imagen ofrece una alta eficacia diagnóstica a un coste relativamente asequible, tiene una baja carga de radiación y su adquisición es sencilla. Es más, la OMS² la ha recomendado como cribado estratégico de la tuberculosis, una de las principales causas de muerte por infección en todo el mundo, con más de 10 millones de casos anuales.

Triaje médico a través de Inteligencia Artificial

Con el reto de incrementar la eficacia diagnóstica de estas pruebas, un grupo de investigadores británicos ha desarrollado un sistema de redes neuronales profundas de código abierto que permite realizar lecturas completas de radiografías de tórax.

El sistema, denominado X-Raydar³, emplea la Inteligencia Artificial como herramienta de triaje para comparar las pruebas con un enorme volumen de exámenes de rayos X de tórax, que se estima que representan, según la OMS⁴, el 40% de los millones de procedimientos de imagen que se realizan cada año.

Tal y como recoge la revista The Lancet⁵, las herramientas de deep learning ofrecen soluciones radiológicas escalables que permiten detectar de forma aislada determinadas patologías como neumotórax, tuberculosis, etc.

El algoritmo de Inteligencia Artificial comprueba automáticamente una radiografía de tórax para detectar la presencia de 37 hallazgos radiológicos anormales en tiempo real.

Para ello, en el proyecto se desarrollaron redes neuronales de código abierto para clasificar los resultados de miles de imágenes e informes de radiografías de tórax procedentes de seis hospitales del Reino Unido. En total fueron 2,5 millones de radiografías tomadas a lo largo de un periodo de 13 años.

Interpretación automatizada de radiografías

Como resultado, los investigadores aportan un sistema de IA capaz de detectar de forma integral diferentes tipos de anomalías en las pruebas de rayos X de tórax mediante el entrenamiento de un algoritmo con miles de datos procedentes de bases de datos de rayos X en el Reino Unido.

Esta herramienta es similar a una desarrollada con anterioridad, denominada Chester⁶ que, pese a no ser apta para uso médico, constituye un sistema gratuito diseñado para que un usuario pueda obtener una segunda opinión sobre su prueba de imagen.

Los investigadores partieron de las potencialidades que ofrece la Inteligencia Artificial a la hora de interpretar de forma automatizada radiografías de tórax para obtener informes estándar y reducir los retrasos en sistemas sanitarios que cuenten con escasez de radiólogos especializados.

Además, han conseguido que el sistema sea de libre acceso y esté entrenado con grandes conjuntos de datos para que los profesionales puedan cotejarlos con sus propias pruebas de imagen.

Rendimiento óptimo de diagnóstico

Los dos algoritmos diseñados específicamente para este sistema obtuvieron un resultado medio en la curva AUC para pruebas diagnósticas de 0,919, cifra que supone un rendimiento similar al registrado por radiólogos clínicos en el hallazgo de resultados clínicamente importantes, como neumotórax, opacificación parenquimatosa, y masa parenquimatosa o nódulos.

Los resultados que ha arrojado este estudio revelan que la clasificación automatizada de las radiografías de tórax en función de las diferentes patologías puede resultar similar a la que se obtiene de forma convencional y ofrecer resultados óptimos.

Asimismo, ofrece nuevos datos sobre cómo las redes neuronales de código abierto pueden servir como modelos básicos para futuras investigaciones y están disponibles de forma gratuita para la comunidad investigadora.