El modelo de predicción permite cargar una radiografía torácica y predecir al momento si se trata de una muestra de un paciente sano, enfermo por neumonía o enfermo por el coronavirus.

iStock

Una de las mejores herramientas de que dispone el ser humano en la lucha frente a enfermedades infecciosas es la tecnología. No solo por lo obvio, en lo relativo a técnicas terapéuticas que ayudan a la supervivencia de los pacientes; sino también en otras muchas dimensiones. En la lucha frente a la COVID-19, la monitorización y testeo masivos de la población, la detección rápida de síntomas como la fiebre e incluso la detección de fármacos eficaces se pueden realizar más fácilmente con ayuda de la inteligencia artificial.

Ahora, un nuevo método basado en el big data y en el deep learning permite discernir eficazmente entre pacientes sanos, enfermos por neumonía y enfermos de COVID-19 a partir de radiografías torácicas. El sistema ha sido desarrollado por investigadores del CVBLab, de la Universidad Politécnica de Valencia. 

Valery Naranjo, catedrática de la UPV y directora del CVBLab, explica que el modelo puede llegar a alcanzar un porcentaje de éxito de una media del 92 % a la hora de diferenciar entre las distintas clases de pacientes, y es especialmente efectivo a la hora de detectar casos de infección por coronavirus: “El algoritmo se comporta incluso mejor a la hora de predecir los casos del coronavirus SARS-CoV-2; su tasa de acierto es ligeramente superior en relación con el resto de casos, con un porcentaje de éxito del 97 % para determinar si la radiografía es de un paciente con COVID-19”. 

Los ingenieros del CVBLab han aplicado técnicas de clasificación y de segmentación, basadas en algoritmos de deep learning (un conjunto de algoritmos de aprendizaje automático) sobre una gran cantidad de imágenes de radiografías (big data). 

En este sentido, Valery Naranjo explica que hay muchísimas más radiografías de pacientes sanos y de otras neumonías que de COVID-19, “por lo reciente que es y porque muchas bases de datos no están liberadas”, lo que supone una dificultad añadida: “El modelo que hemos desarrollado soluciona este desbalanceo de clases de pacientes, y permite ofrecer resultados fiables y robustos”. 

UPV

¿Cómo aprende una máquina? 

Gracias a las redes neuronales que utiliza esta tecnología, la predicción se produce al instante. Los científicos solo tienen que identificar una única radiografía de cada tipo de paciente: sano, con neumonía y con COVID-19. Una vez introducidos los patrones con los que la máquina debe trabajar, la IA es aprender por sí misma (machine learning) a comparar masivamente muchas radiografías con los datos introducidos inicialmente por los investigadores. A partir de una serie de capas formadas por redes neuronales (deep learning), la IA se va haciendo cada vez más sofisticada y desarrolla un porcentaje cada vez más elevado de efectividad. 

Además, dada una nueva imagen radiográfica, aparte de obtener una predicción sobre su diagnóstico, se proporcionan automáticamente los casos precedentes más similares a partir de una gran base de datos en continuo crecimiento. Las zonas de afección pulmonar del histórico de casos más similares se presentan mediante un mapa de calor muy intuitivo para el personal experto que lo utilice. Así, el médico tiene más datos a la hora de tomar una decisión. 

“Es como cuando buscan en un atlas, pero de manera automática”, ejemplifica Adrián Colomer, doctor en telecomunicación e investigador del CVBLab de la UPV. 

Fuente:   Laura Marcos