Las claves

nuevo Generado con IA

La radiografía de tórax es una de las pruebas más utilizadas para detectar desde neumonías hasta patologías cardíacas o pulmonares. Tiene a su favor que es barata, rápida y eficaz, pero su hándicap es que el encargado de interpretarla es el ojo de un radiólogo haciendo uso de sus conocimientos.

A este profesional le corresponde realizar un exhaustivo trabajo de revisión, imagen a imagen, para localizar posibles señales de alarma (hallazgos, en lenguaje médico) y reflejarlas en un informe médico que otros especialistas usan para tomar decisiones sobre sus pacientes.

El margen de error humano existe, aunque sea mínimo. Y es mayor en situaciones en las que la presión crece, ya sea por sobrecarga asistencial, ya sea por la premura para obtener los resultados y emitir un diagnóstico.

Es en casos como estos cuando la inteligencia artificial se convierte en un recurso más para el desempeño del trabajo diario. Se trata de que ayude a los profesionales sanitarios a mejorar la precisión de sus análisis y ofrecer un dictamen más seguro.

Una de las claves para el desarrollo de esta herramienta es contar con un volumen suficiente de datos. En ello están el Hospital Universitario Sant Joan de Alicante, la Universidad de Alicante (UA) y MedBravo (empresa española que ha desarrollado una plataforma digital que conecta a pacientes y médicos con ensayos clínicos para facilitar el acceso a terapias innovadoras).

Un 'dataset' para una IA clínica

El punto de partida de este proyecto, bautizado como PadChest-GR, son 4.555 radiografías de tórax revisadas manualmente por radiólogos. En todas ellas cada hallazgo clínico está descrito en lenguaje médico y localizado exactamente en la imagen mediante anotaciones espaciales.

El objetivo es crear un dataset público y bilingüe (en español e inglés) “con el que entrenar sistemas capaces de señalar directamente dónde hay una lesión y acompañarla de una explicación, no solo dar una respuesta”, explica a DISRUPTORES - EL ESPAÑOL el jefe de Servicio de Radiodiagnóstico del Hospital Sant Joan de Alicante, Joaquín Galant.

Esto supone “menos tiempo buscando hallazgos en estudios complejos y una ayuda visual inmediata que facilita la lectura”, añade. Lo que conlleva ahorro de tiempo, contar con una segunda valoración e “informes más claros y verificables, útiles tanto para enfermedad aguda como para seguimiento”.

Además, muchos de los casos incluidos en esta iniciativa ya cuentan con estudios previos y etiquetas sobre cómo ha sido su progresión. Una información que “puede facilitar en el futuro el desarrollo de sistemas que comparen automáticamente si una patología está mejor o peor, un proceso que hoy consume tiempo y requiere revisar informes anteriores manualmente”, apunta Galant.

De datos a informes médicos

Pero para que la inteligencia artificial pueda explicar sus decisiones necesita algo más que datos masivos. Requiere que estén estructurados y sean fiables. Es aquí donde la tecnología ejerce de catalizador.

En este caso, de la mano de MAIRA-2, un modelo de investigación desarrollado por Microsoft Research capaz de generar informes radiológicos preliminares a partir de una radiografía de tórax. Lo hace vinculando cada frase del informe con la región exacta de la imagen a la que hace referencia.

“Cuando un modelo como MAIRA-2 no solo genera un informe, sino que muestra visualmente de dónde obtiene cada conclusión, la IA deja de ser una caja negra y pasa a ser una herramienta que razona de forma transparente”, señala Galant.

El sistema “marca en la imagen el área donde detecta un nódulo, un derrame o una consolidación, y lo acompaña con la frase correspondiente”. Esto permite al radiólogo validar cada afirmación al instante, detectar errores y aumentar la confianza en el informe final.

Modelo razonable y seguro

Desde el punto de vista técnico, construir este dataset ha sido un proceso complejo. Uno de los principales retos ha sido la unificación del lenguaje clínico: “Los informes originales estaban escritos en español y no estaban segmentados por hallazgos”, explica el jefe del Servicio de Informática del área de salud Alicante–Sant Joan, José María Salinas.

Él mismo explica a este medio que fue necesario procesarlos con modelos de lenguaje natural para “extraer frases individuales, traducirlas al inglés y estandarizar hallazgos y localizaciones siguiendo la taxonomía del proyecto PadChest”.

Otro desafío fue vincular esos textos con la localización exacta de los hallazgos en la imagen. “Ese trabajo previo es el que permite que, posteriormente, modelos como MAIRA-2 generen informes fundamentados, donde cada frase se vincula a una zona concreta de la radiografía”, explica Javier Álvarez-Valle, de Microsoft Research.

Todo ello pasó por un doble proceso de validación por parte de los radiólogos y un posterior arbitraje. Esto hace que “el razonamiento del modelo sea visible y comprobable, y convierte la transparencia en un paso esencial hacia una atención sanitaria más segura y responsable”, agrega.

La seguridad también ha sido un aspecto esencial de este proyecto. “Estamos hablando de un entorno clínico donde una sugerencia errónea puede tener consecuencias en la vida de una persona”, advierte Salinas. Por eso, aporta garantías al permitir que “cada imagen esté revisada por especialistas, cada hallazgo esté documentado y todo pueda comprobarse y rastrearse”.

El resultado es una plataforma diseñada para integrarse con los actuales flujos de los entornos hospitalarios. Sus artífices explican que PadChest-GR permite conectar modelos de IA con sistemas de archivado y comunicación de imágenes (PACS) y de información radiológica (RIS), y sirve de base para herramientas que “generen borradores de informes o remarquen áreas de interés automáticamente”.

Práctica clínica y precisa

El proyecto MAIRA avanza ahora hacia la práctica clínica. “Los informes generados por IA están alcanzando niveles de precisión cercanos a los de radiólogos expertos”, afirma Álvarez-Valle. El siguiente paso es permitir que los hospitales ajusten estos modelos con sus propios datos y, a medio plazo, que se extienda a imágenes 3D y a todo tipo de radiologías.

Más allá de nuestro país, PadChest-GR ya está impulsando nuevas líneas de investigación. Al tratarse de un benchmark público, bilingüe y que ha demostrado su validez, “está abriendo nuevas oportunidades para la colaboración global en IA médica”, señala Álvarez-Valle.

El objetivo es que los profesionales clínicos dediquen menos tiempo a tareas repetitivas y más a tomar decisiones complejas con mayor seguridad. Según Salinas, esto, además de aumentar la eficiencia, “reduce la carga cognitiva en estudios voluminosos, mejora la trazabilidad del dato clínico y favorece la integración multilingüe”.

De nuevo, no se trata de sustituir al profesional, sino de ofrecer a los radiólogos herramientas que les permitan ver antes esas señales de alarma, entenderlas mejor y tomar decisiones con mayor confianza.