Detección de COVID-19 en radiografías de tórax mediante aprendizaje profundo

Introducción

Resumen   Abstract   Cita

Durante las últimas décadas los desarrollos tecnológicos en el campo de la salud son intangibles de pensar, y en gran parte es debido al progreso científico y tecnológico que sirve para comprender, no solo la anatomía, sino también fisiología e interrelaciones de los diversos órganos del cuerpo humano. Estas tareas apoyan en la identificación y seguimiento de padecimientos clínicos desde etapas tempranas. En específico, el análisis automático de imágenes médicas está en constante crecimiento con herramientas propias de las áreas de visión por computadora (VC) e inteligencia artificial (IA).

Los desarrollos de IA son de gran ayuda dentro del área médica, en especial aquellos que asisten en la detección de enfermedades como: COVID-19, neumonía, cardiopatías, cáncer, etcétera. En muchas ocasiones son capaces de analizar un gran volumen de imágenes o datos clínicos y clasificar o detectar las patologías mostradas en la imagen, de manera más rápida que un humano y con mayor precisión.

La enfermedad producida por la coronavirus (COVID-19), descubierto por primera vez en 2019 en Wuhan, China, impactó de manera negativa en todo el mundo y en México. Durante la pandemia, distintos ámbitos de la sociedad como la salud, la economía y la educación fueron afectados. Al 7 de diciembre de 2021 se contabilizaron 265,713,467 casos de coronavirus en todo el mundo, de los cuales fallecieron 5,260,888 personas. En México se registraron 3,901,263 personas infectadas y 295,203 fallecidos [1].

Existen características específicas que pueden detectarse por esta enfermedad, la coronavirus produce lesiones en los pulmones y su presencia se puede apreciar en las imágenes de rayos X de tórax, aunque también podrían confundirse fácilmente con los daños producidos por otras enfermedades como la neumonía, lo que aunado a la variabilidad y agotamiento humano es probable que generen un diagnóstico incorrecto. Por esta situación, los médicos se vieron en la necesidad de solicitar apoyo tecnológico para diagnosticar la enfermedad del paciente con mayor certeza.

Entre las pruebas más comunes para la detección de la COVID-19 se encuentran PCR (Polymerase Chain Reaction) y antígenos (prueba que entrega resultados en minutos detectando ciertas proteínas en el virus). La situación mundial al principio de la pandemia reflejó que tanto en México como en muchos otros países no se contaba con suficientes pruebas para su detección. A pesar de que la prueba PCR arrojaba un 97.2 % de exactitud, era costosa y su resultado podía tardar varios días los cuales eran críticos para el oportuno tratamiento del paciente. Por su parte, la prueba de antígenos reflejó un 72 % de certeza para personas con síntomas, por lo que es probable que entregue falsos positivos. Por esta razón se buscaron otras alternativas para la detección de la enfermedad [2]-[3], teniendo como resultado la fusión de la computación con la salud.

En los últimos años, el área de IA ha tenido un gran avance debido a la evolución de las redes neuronales convolucionales (CNN, Convolutional Neural Networks, por sus siglas en inglés), las cuales brindan la capacidad de adquirir, procesar, analizar y comprender una infinidad de datos en el menor tiempo posible, lo que ha permitido una mejor caracterización y prognosis de las enfermedades, además son una herramienta prometedora para resolver problemas de reconocimiento de patrones [4]. Las CNNs ofrecen la posibilidad de manejar grandes volúmenes de imágenes para un diagnóstico preciso y eficiente. Además, el uso de la IA y la VC pueden reducir la variabilidad significativa intra e inter observador, lo que socava la importancia de los hallazgos clínicos [5]. En suma, los sistemas computacionales permiten realizar automáticamente análisis objetivos de imágenes médicas, aumentando la precisión diagnóstica.

En el presente trabajo se muestra el desarrollo de un sistema computacional que, mediante sus algoritmos, asiste al diagnóstico de las enfermedades COVID-19 y neumonía mediante la implementación de arquitecturas de redes neuronales convolucionales en imágenes de rayos X de tórax. Estos algoritmos son capaces de distinguir si los pulmones se encuentran sanos o no. Esta situación conlleva a un problema de clasificación de tres categorías (pacientes sanos, con COVID-19 o con neumonía) que típicamente implica un error más alto que los problemas de tipo binario. Por esta razón se emplearon redes neuronales convolucionales, que pudieran detectar más de una clase a la vez y así comparar algoritmos binarios en cascada.

Entre los objetivos se encuentran: