Se han realizado enormes esfuerzos para mejorar el diagnóstico y el tratamiento de la COVID-19, pero el conocimiento sobre las complicaciones a largo plazo es limitado. En concreto, una gran parte de los supervivientes tienen complicaciones respiratorias, y en algunas ocasiones ni los radiólogos más experimentados, ni los actuales sistemas de tomografía pueden detectar muchas anomalías en las tomografías computarizadas (TC) de seguimiento de estos pacientes.
Teniendo en cuenta esto, las exploraciones torácicas convencionales no detectan de forma fiable los signos de cicatrización pulmonar y otras anomalías pulmonares, lo que dificulta el seguimiento de la salud y la recuperación de las personas con problemas respiratorios persistentes y otras complicaciones.
Por eso, científicos de la Universidad de Ciencia y Tecnología Rey Abdalá (KAUST), en Arabia Saudí; miembros de su Grupo de Bioinformática Estructural y Funcional del Centro de Investigación en Biociencia Computacional junto con investigadores en inteligencia artificial de la Universidad Médica de Harbin (China), han desarrollado una nueva herramienta de diagnóstico asistida por ordenador que podría ayudar a superar algunos de estos retos que impide el correcto seguimiento de la salud pulmonar tras una infección vírica.
Al proponer una serie de modelos de segmentación basados en el aprendizaje profundo y ensamblarlos de manera interpretable, DLPE elimina tejidos irrelevantes desde la perspectiva del parénquima pulmonar
Este nuevo método, conocido como Aumento del Parénquima Pulmonar Profundo (DLPE, por sus siglas en inglés), superpone algoritmos de inteligencia artificial a los datos estándar de las imágenes del tórax para revelar características visuales indicativas de disfunción pulmonar que normalmente suelen ser indiscernibles y que podría ayudar a explicar los síntomas de los pacientes.
Al proponer una serie de modelos de segmentación basados en el aprendizaje profundo y ensamblarlos de manera interpretable, DLPE elimina tejidos irrelevantes desde la perspectiva del parénquima pulmonar y calcula la ventana óptima del nivel de exploración, que realza considerablemente las lesiones del parénquima con respecto a la ventana pulmonar.
Es decir, este nuevo aparato elimina cualquier característica anatómica no asociada al parénquima pulmonar; los tejidos que intervienen en el intercambio de gases son los principales lugares en los que se produce el daño inducido por COVID-19. Esto significa eliminar las vías respiratorias, los vasos sanguíneos, y luego mejorar las imágenes de lo que queda para exponer las lesiones que podrían pasar desapercibidas sin la ayuda del ordenador.
“Nuestro trabajo arroja luz sobre el desarrollo de la inteligencia artificial médica interpretable y muestra cómo ésta puede descubrir hallazgos médicos que están más allá de la vista”, comenta Xin Gao, uno de los desarrolladores de este proyecto.
Los investigadores entrenaron y validaron sus algoritmos utilizando tomografías computarizadas (TC) de tórax de miles de personas hospitalizadas por COVID-19 en China. Perfeccionaron el método con la aportación de radiólogos expertos y, a continuación, aplicaron el DLPE de forma prospectiva a docenas de supervivientes de COVID-19 con problemas pulmonares, los cuales habían padecido una enfermedad grave que requería tratamiento de cuidados intensivos.
Una vez descubiertas las nuevas lesiones subvisuales, se evaluaron cómo estas lesiones se correlacionan con los síntomas y las métricas clínicas, lo que les ayudó a comprender los orígenes y las consecuencias de estas nuevas lesiones. “Necesitábamos responder a dos preguntas: si las lesiones nuevas pueden explicar los síntomas principales y las métricas clínicas; y cuánta información proporcionan las nuevas lesiones en las tareas de regresión o clasificación para predecir métricas clínicas”.
“Nuestro trabajo arroja luz sobre el desarrollo de la inteligencia artificial médica interpretable y muestra cómo ésta puede descubrir hallazgos médicos que están más allá de la vista”
Con este fin, los científicos utilizaron varios métodos eficientes de análisis de datos, incluidos la regresión de Lasso, XGBoost y el análisis multivariable. Lasso es un modelo de regresión ligero y eficiente, mientras que el XGBoost es un poderoso regresor que puede clasificar la importancia de las funciones y seleccionar funciones. También utilizaron un algoritmo basado en redes neuronales para el análisis multivariables.
De esta forma, se demostró que la herramienta podía revelar signos de fibrosis pulmonar en los supervivientes de COVID-19, ayudando así a explicar la falta de aliento, la tos y otros problemas pulmonares. Un diagnóstico, sugiere, que sería imposible con el análisis de imágenes de TC estándar.
Aunque el equipo de la KAUST desarrolló el DLPE pensando principalmente en la recuperación tras la COVID, también probó la plataforma en exploraciones torácicas tomadas a personas con otros problemas pulmonares, como la neumonía, tuberculosis y cáncer de pulmón. Los investigadores demostraron que su herramienta podría servir de ayuda diagnóstica para todas las enfermedades pulmonares, permitiendo a los radiólogos, como dice Gao, "ver lo que no se ve".