El potencial de la inteligencia artificial para analizar las radiografías de tórax en busca de signos de neumonía por COVID-19
Hace aproximadamente un año que un nuevo coronavirus comenzó a propagarse. La pandemia resultante no tiene precedentes en muchos aspectos, y uno de ellos es el número de publicaciones científicas que ha generado.
Sin embargo, muchos países animan a las personas con síntomas compatibles con la COVID-19 a permanecer en cuarentena en casa. En este escenario, los pacientes que se presentan en un hospital pueden tener una enfermedad más avanzada, a menudo con anormalidades visibles en una radiografía de tórax. Debido a su amplia disponibilidad, bajo coste y su portabilidad; la radiografía de tórax es una herramienta muy utilizada para obtener un diagnóstico inicial mientras se esperan los resultados de pruebas de diagnóstico molecular.
Muchos proveedores de atención sanitaria están sobrecargados y luchan contra la falta de recursos para la interpretación de imágenes. La IA podría servir de apoyo en el proceso de lectura.
¿Qué soluciones se presentan?
Wehbe presenta un algoritmo de IA, denominado DeepCOVID-XR, que detecta la COVID-19 en radiografías simples de tórax. Uno de los puntos fuertes de DeepCOVID-XR es que se ha entrenado con un gran conjunto de datos multicéntricos. Casi 15.000 imágenes con más de 4.000 casos positivos para COVID-19 procedentes de más de 20 centros del Northwestern Memorial Health Care System. El sistema de IA se evaluó con los datos de un hospital comunitario. Se presentó un conjunto de 300 casos aleatorios (134 positivos para COVID-19) a cinco radiólogos para permitir una comparación directa entre el sistema de IA y los expertos humanos.
Los sistemas obtuvieron resultados prometedores en cuanto a su área bajo la curva de características operativas del receptor (AUC). El AUC equivale a la probabilidad de que una imagen positiva aleatoria reciba una puntuación más alta que una imagen negativa aleatoria en el conjunto de pruebas. DeepCOVID-XR alcanzó un AUC de 0,88, comparable al consenso de los cinco radiólogos (AUC = 0,85, las puntuaciones se obtuvieron utilizando una escala de seis puntos).
¿Cuál fue el proceso para desarrollarla?
Una estrategia interesante que siguió Wehbe fue diseñar un conjunto de redes neuronales con diversas características. Entrenaron seis arquitecturas diferentes utilizando dos niveles de resolución y dos campos de visión (la radiografía completa y la imagen recortada alrededor de los campos pulmonares). En este estudio, las diferencias fueron menores, pero el enfoque combinado es más robusto cuando se aplica a datos no vistos.
Una importante vía de investigación mencionada por Wehbe consiste en combinar el análisis de imágenes con datos adicionales, como los demográficos, los de las constantes vitales y los de laboratorio. Además, el análisis de IA de las radiografías de tórax puede predecir los resultados y guiar la atención y las intervenciones del paciente.
Para avanzar y saber qué enfoques de análisis automatizado tienen más potencial, se debería comparar el rendimiento de las distintas «redes» publicadas actualmente. Compartir los datos de entrenamiento y de prueba lo facilitaría. Este sería el comienzo de una validación externa más amplia de varias herramientas de inteligencia artificial que podrían contribuir a la lucha global contra la enfermedad de los coronavirus 2019.
Ginneken, B. (2020, 24 noviembre). The Potential of Artificial Intelligence to Analyze Chest Radiographs for Signs of COVID-19 Pneumonia. RSNA: Radiology. https://pubs.rsna.org/doi/pdf/10.1148/radiol.2020204238
