Una técnica de análisis de datos identifica cambios en el tejido pulmonar de fumadores

Desarrollada por investigadores del CIBER-BBN y de la Universidad Politécnica de Madrid

Guardar

render_020620
render_020620
Un grupo de científicos del Centro de Investigación Biomédica en Red de Bioingeniería, Biomateriales y Nanomedicina (CIBER-BBN) y de la Universidad Politécnica de Madrid (UPM) han planteado un nuevo método de análisis de datos que permite detectar con gran precisión anomalías sutiles en el tejido funcional del pulmón, llamado parénquima pulmonar, a partir de un TAC, en fumadores, que precede a la enfermedad.

La exposición al humo del tabaco se asocia con una variedad de efectos sobre el tejido funcional del pulmón que conducen al desarrollo de diversas enfermedades pulmonares. Algunas de estas, como la fibrosis pulmonar idiopática, presentan una alta mortalidad y los tratamientos disponibles para abordarlas retrasan, pero no revierten, esta patología. Por ello, los científicos subrayan que "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 muestra 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 por ciento y una especificidad promedio del 98 por ciento. "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, que es investigador del CIBER-BBN y el primer firmante de este trabajo.
Identificar y clasificar patrones
"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 la doctora María Jesús Ledesma, que también es investigadora del mismo centro y última firmante del citado 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. Para entrenar y probar el sistema, utilizaron un total de 37.424 muestras de tejido radiográfico correspondientes a ocho clases distintas de características del tejido pulmonar de 208 tomografías computarizadas.

Por último, estos investigadores destacan que "esta tecnología ha servido de base para un nuevo desarrollo que permite la cuantificación de lesiones pulmonares debidas a la enfermedad de la Covid-19".