NEUMOLOGÍA
Inteligencia artificial para detectar la neumonía en radiografías de tórax
UPM · 26 septiembre 2022
Investigadores españoles y chilenos han analizado el potencial de distintos biomarcadores para entrenar modelos de aprendizaje automático que detecten la enfermedad.
Investigadores de la Universidad Politécnica de Madrid y de la Universidad de Concepción (Chile) han analizado el potencial de distintos biomarcadores para entrenar modelos de inteligencia artificial que detecten la neumonía en imágenes radiográficas de tórax. Los resultados obtenidos, que han alcanzado en algunos casos una precisión del 99 por ciento, confirman la validez de los métodos probados como herramientas fiables y fáciles de implementar para el diagnóstico automático de la neumonía.
"El objetivo de nuestro estudio ha sido generar modelos de aprendizaje automático que detecten de una forma automática y precisa la neumonía en imágenes de rayos X de tórax", señala Consuelo Gonzalo, investigadora 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 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: Comput Biol Med. 2022;145:105466. doi:10.1016/j.compbiomed.2022.105466