Modelo de aprendizaje profundo diagnostica con precisión la EPOC con una sola inhalación
Actualizado el 29 Dec 2024
La enfermedad pulmonar obstructiva crónica (EPOC) es una afección pulmonar progresiva que afecta la respiración y se caracteriza por síntomas como dificultad para respirar y fatiga. Es la tercera causa de muerte en todo el mundo, según la Organización Mundial de la Salud, y actualmente no tiene cura. La espirometría, o prueba de función pulmonar, se utiliza comúnmente para diagnosticar la EPOC, ya que mide la función pulmonar evaluando el volumen de aire inhalado y exhalado, junto con la velocidad de exhalación. Además, la tomografía computarizada (TC) de los pulmones también se utiliza para ayudar en el diagnóstico de la EPOC, que generalmente requiere dos adquisiciones de imágenes: una durante la inhalación completa (inspiración) y otra durante la exhalación normal (espiración).
Sin embargo, algunos hospitales enfrentan desafíos para implementar el protocolo de TC espiratorio debido a la necesidad de capacitación especializada tanto para los tecnólogos que adquieren las imágenes como para los radiólogos que las interpretan. Además, los pacientes mayores con función pulmonar reducida pueden tener dificultades para contener la respiración el tiempo suficiente para completar la fase de exhalación, lo que puede afectar la calidad de las imágenes y la precisión del diagnóstico. Ahora, un nuevo estudio ha demostrado que un modelo de aprendizaje profundo puede diagnosticar y estadificar eficazmente la EPOC utilizando una única tomografía computarizada del pulmón por inhalación.
Investigadores de la Universidad Estatal de San Diego (San Diego, CA, EUA) propusieron que una única TC de inhalación, combinada con una red neuronal convolucional (CNN) y datos clínicos, podría ser suficiente para diagnosticar y estadificar la EPOC. Las CNN son un tipo de red neuronal artificial que utiliza técnicas de aprendizaje profundo para analizar y clasificar imágenes.
En este estudio retrospectivo, el equipo utilizó datos de 8.893 pacientes, todos ellos con antecedentes de tabaquismo y una edad media de 59 años. El estudio recopiló imágenes de TC de inhalación y exhalación y datos de espirometría entre noviembre de 2007 y abril de 2011. El modelo de CNN se entrenó para predecir las mediciones de espirometría utilizando una TC de pulmón de una sola fase o de múltiples fases, junto con datos clínicos.
Las predicciones realizadas por el modelo de CNN para la espirometría se utilizaron posteriormente para predecir la clasificación de la Iniciativa Global para la Enfermedad Pulmonar Obstructiva Crónica (GOLD), que clasifica la gravedad de la EPOC en cuatro estadios, desde leve (estadio 1) hasta muy grave (estadio 4). Los hallazgos, publicados en Radiology: Cardiothoracic Imaging, revelaron que un modelo CNN entrenado en una sola TC de inhalación fue capaz de diagnosticar con precisión la EPOC y se encontraba dentro de un estadio GOLD de precisión. El rendimiento de este modelo fue comparable a los resultados de diagnóstico obtenidos utilizando TC de inhalación y exhalación.
Cuando se incluyeron datos clínicos, la precisión de las predicciones del modelo CNN mejoró aún más. Además, los modelos CNN entrenados solo con datos de inhalación o exhalación funcionaron igualmente bien, lo que sugiere que ciertos marcadores de diagnóstico para la EPOC pueden ser consistentes en ambos tipos de imágenes de TC.
"Aunque muchos protocolos de imagen para el diagnóstico y la clasificación de la EPOC requieren dos adquisiciones de TC, nuestro estudio demuestra que el diagnóstico y la clasificación de la EPOC son factibles con una sola adquisición de TC y datos clínicos relevantes", afirmó el autor del estudio, el Dr. Kyle A. Hasenstab, profesor adjunto de Estadística y Ciencia de Datos en la Universidad Estatal de San Diego, California. "La reducción a una sola adquisición de TC inspiratoria puede aumentar la accesibilidad a este enfoque diagnóstico mientras reduce los costos para el paciente, el malestar y la exposición a la radiación ionizante".
