MADRID, 2 Jun. (EUROPA PRESS) -
Investigadores del CIBER de Bioingeniería, Biomateriales y Nanomedicina (CIBER-BBN) proponen una metodología novedosa para la identificación y clasificación automatizada de patrones radiográficos de anomalías del pulmón a partir de imágenes de tomografía computarizada, lo que supone un nuevo método de análisis de datos que permite detectar los cambios en el tejido pulmonar de fumadores antes de una enfermedad intersticial.
Algunas de estas enfermedades, como la fibrosis pulmonar idiopática, presentan una alta mortalidad y los tratamientos disponibles para abordarlas retrasan, pero no revierten, la patología. Por ello, detectar los cambios tempranos en el tejido pulmonar antes de que progrese la enfermedad es un reto clave.
Este nuevo método de inteligencia artificial, basado en el aprendizaje profundo (deep learning) aplicado al análisis de imágenes de TAC, permite identificar y clasificar cambios radiográficos que preceden al desarrollo de la enfermedad pulmonar con mucha más precisión que otros métodos anteriores y ha demostrado también su capacidad de generalización para aplicarse a grandes cohortes de pacientes para diagnosticar las enfermedades pulmonares intersticiales en una fase temprana.
El rendimiento de este método incluyó una sensibilidad promedio superior al 91% y una especificidad promedio del 98%. "Esto implica que éste es un método potencialmente viable para identificar patrones radiográficos que anticipan la enfermedad intersticial pulmonar, y para aplicarse al diagnóstico automático de grandes grupos de pacientes", destaca David Bermejo-Peláez, investigador del CIBER-BBN y primer firmante de este trabajo, que acaba de publicarse en la revista científica 'Scientific Reports'.
Esta tecnología ha servido de base para un nuevo desarrollo que permite la cuantificación de lesiones pulmonares debidas a la enfermedad COVID-19. Estas nuevas tecnologías están actualmente siendo evaluadas en el marco de un estudio multicéntrico (PREDICT-COVID19) en colaboración con el Hospital Universitario La Paz, Hospital Universitario Fundación Jiménez Díaz, la Clínica Universidad de Navarra, el Hospital Clínic de Barcelona, la empresa Spotlab y el ya mencionado Applied Chest Imaging Laboratory del Brigham and Women's Hospital, Harvard Medical School.
37.424 MUESTRAS DE TEJIDO RADIOGRÁFICO
"En este trabajo aportamos el primer método basado en deep learning para identificar y clasificar patrones radiográficos de enfermedad pulmonar intersticial en etapas tempranas en imágenes de tomografía computarizadas, considerando ocho clases radiográficas de tejido pulmonar", explica María Jesús Ledesma, investigadora del CIBER-BBN y última firmante del trabajo.
Los científicos propusieron una nueva metodología para detectar y clasificar de manera automática estos patrones, basada en un conjunto de redes neuronales convolucionales profundas e incorporando arquitecturas de 2D, 2,5D y 3D. Este tipo de redes neuronales artificiales, que tratan de imitar el comportamiento del cerebro humano a la hora de aprender y extraer características de forma jerárquica al igual que lo hace la corteza visual del cerebro, son muy efectivas para tareas de visión artificial y en la clasificación y segmentación de imágenes y han mostrado su capacidad para resolver problemas de clasificación de imágenes utilizando modelos jerárquicos que ordenan millones de parámetros a partir de un aprendizaje basado en grandes bases de datos.
Para entrenar y probar el sistema, los investigadores utilizaron un total de 37.424 muestras de tejido radiográfico correspondientes a ocho clases distintas de características del tejido pulmonar de 208 tomografías computarizadas. Según subrayan los investigadores, "son necesarios nuevos diseños e investigaciones "que permitan abordar la identificación de estos cambios precoces en el parénquima pulmonar".
