Inteligencia artificial para discernir entre neumonía y COVID-19 a partir de radiografías

Investigadores de la Universitat Politècnica de València (UPV) han desarrollado un modelo predictivo de inteligencia artificial (IA) que es capaz de discernir entre pacientes sanos, enfermos por neumonía y enfermos por la COVID-19, a partir de radiografías torácicas.

El grupo CVBLab de la UPV dispone ya de una plataforma informática que integra el modelo de predicción, de modo que es posible cargar una radiografía torácica y obtener el diagnóstico al instante.

Según explica Valery Naranjo, catedrática de la UPV y directora del CVBLab, el modelo propuesto ha demostrado tener una gran capacidad discriminatoria durante los primeros experimentos, llegando a alcanzar un porcentaje de éxito promedio del 92 % a la hora de diferenciar entre las distintas clases de pacientes.

“El algoritmo se comporta incluso mejor a la hora de predecir los casos de coronavirus y su tasa de acierto es ligeramente superior en relación con el resto de casos: tiene un porcentaje de éxito del 97 % para determinar si la radiografía es de un paciente con COVID”, destaca Naranjo.

El grupo investigador cuenta con una larga experiencia en el campo de la inteligencia artificial y su especialidad es el desarrollo de algoritmos de visión por computador aplicados a imágenes biomédicas. “Es por ello por lo que hemos puesto nuestro conocimiento al servicio de la lucha contra esta pandemia”, subraya Julio Silva, ingeniero biomédico y miembro también del CVBLab de la UPV.

Aprendizaje profundo

Para desarrollar el modelo de predicción, los ingenieros del CVBLab han aplicado técnicas declasificación y de segmentación, basadas en algoritmos de deep learning, sobre una gran cantidad de imágenes de radiografías.

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”, asegura.

El grupo CVBLab ya dispone de una versión inicial de la plataforma informática que integra el modelo de predicción, de modo que es posible cargar una radiografía torácica y predecir alinstante si se trata de una muestra de un paciente sano, enfermo por neumonía o enfermo porcoronavirus.

El modelo de inteligencia artificial del CVBLab-UPV presenta importantes novedades en el diseño de la arquitectura de red neuronal. En particular, se basa en técnicas de transferencia del conocimiento en combinación con otros bloques convolucionales residuales que actúan en paralelo para extraer características de las radiográficas torácicas.

“Esta nueva arquitectura, adaptada al tipo de imagen bajo estudio, ha permitido obtener unos primeros resultados de sensibilidad y especificidad del 97 %”, señala Gabriel García, ingeniero biomédico e investigador del CVBLab de la UPV.

Gran base de datos en crecimiento

De manera paralela, los investigadores están desarrollando un nuevo sistema content-basedimage retrieval (CBIR) basado en redes neuronales generativas.

La idea de este sistema es que, dada una nueva imagen radiográfica, a parte 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", afirma Adrián Colomer, doctor en telecomunicación e investigador del CVBLab de la UPV.

Según Colomer, el médico "tiene así más datos a la hora de tomar una decisión. Es comocuando buscan en un atlas, pero de manera automática”.

Para crear sus modelos, los investigadores han recopilado bases de datos públicas de distintas instituciones, y han llevado a cabo una normalización de las mismas en un marco común, que permite entrenar y testear sus modelos.

Entre las bases de datos recopiladas se encuentran la proporcionada en la plataforma BIMCV-COVID-19 open source coordinada por FISABIO, otra de la Universidad de Montreal, la de la Società Italiana di Radiologia Medica e Interventistica y la proporcionada por Kaggle en suchallenge “Chest X-Ray Images (Pneumonia)”.

“Una vez finalice la fase de desarrollo de la herramienta CBIR, la plataforma informáticadesarrollada por el CVBLab se alojará en un sitio web, lo que posibilitará el uso de acceso librea la misma”, concluye la doctora Valery Naranjo.