Europa Press
21 sep 2022. 10.47H
SE LEE EN 3 minutos

MADRID, 21 (EUROPA PRESS)

Investigadores de la Universidad Politécnica de Madrid y de la Universidad de Concepción, de Chile, han 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 por ciento, 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.

"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.

Aunque pueda contener afirmaciones, datos o apuntes procedentes de instituciones o profesionales sanitarios, la información contenida en Redacción Médica está editada y elaborada por periodistas. Recomendamos al lector que cualquier duda relacionada con la salud sea consultada con un profesional del ámbito sanitario.