Un enfoque desde el aprendizaje profundo para caracterizar la neumonía por COVID-19 en TC

Artículo original: Ni Q, Sun ZY, Qi L, Chen W, Yang Y, Wang Li, et al. A deep learning approach to characterize 2019 coronavirus disease (COVID-19) pneumonia in chest CT images. Eur Radiol. 2020; 30: 6517–6527.

DOI: https://doi.org/10.1007/s00330-020-07044-9

Sociedad: European Society of Radiology (@myESR)

Palabras clave: COVID-19, deep learning, multidetector computed tomography, diagnosis, pneumonia

Abreviaturas y acrónimos: tomografía computarizada (TC)

Línea editorial del número: Este mes de diciembre, European Radiology publica un nuevo número que consta de 64 artículos, un artículo menos que en su número anterior. Es llamativo el hecho de que nuevamente los artículos sobre la COVID-19 ocupan un número importante; al igual que ocurre con aquellos relacionados con inteligencia artificial. Por último se adjuntan las correcciones pertinentes de artículos anteriores.

Motivos para la selección: Creo que el artículo seleccionado aúna los dos aspectos predominantes en las líneas editoriales más recientes de esta revista y que, por tanto, es muy representativo. Además, tanto la temática referente a la COVID-19 como a la que a inteligencia artificial se refiere, suscitan mucho interés profesional en mi.

Resumen:

El propósito del trabajo es detectar automáticamente y analizar cuantitativamente las lesiones neumonía por COVID-19 en imágenes de TC de tórax. Se utilizó un algoritmo de aprendizaje profundo disponible comercialmente (Deepwise y League of PhD Technology Co. Ltd.), previamente entrenado y validado en 19.291 TC de 14.435 pacientes pertenecientes a 7 hospitales en China.

Criterios de inclusión 

1) Imágenes de TC con grosor de corte ≤ 2 mm.

2) Pacientes diagnosticados de neumonía o participantes sanos.

Criterios de exclusión:

1) Antecedentes de cirugía pulmonar. 

2) Imágenes de TC diagnosticadas como infección pero no neumonía, como tuberculosis pulmonar.

3) Imágenes de TC con mala calidad, por ejemplo, artefactos respiratorios intensos y artefactos metálicos importantes. 

Entre los 14.435 pacientes recogidos, 2.154 pacientes fueron diagnosticados de COVID-19, mientras que 5.874 pacientes fueron diagnosticados de otras causas de neumonía. El algoritmo fue probado en un conjunto de 96 pacientes consecutivos, de 3 hospitales, diagnosticados con COVID-19 mediante PCR de secreciones  nasofaríngeas.

Las lecturas clínicas se realizaron de forma independiente por 3 radiólogos residentes que no disponían de datos clínicos ni del informe radiológico. Debían reflejar  la presencia o ausencia de hallazgos radiológicos de COVID-19 y el número y ubicación (lóbulo y segmento) de las lesiones.

El estándar de referencia para la presencia de COVID-19 en los TC de tórax lo constituyeron dos radiólogos senior, con 37 y 18 años de experiencia en radiología torácica respectivamente, que hicieron la decisión final en consenso combinando la clínica de los pacientes y los datos de laboratorio.

Un sistema automático de detección y evaluación de neumonía por IA se utilizó para extraer características de TC y estimar cuantitativamente la afectación pulmonar. Este sistema está  basado en redes neuronales profundas, orientado a un abordaje del problema desde  2 ramas: 

a) Detección de anomalías y segmentación de vóxeles de las lesiones: Para ello se empleó una MVP-Net convolucional. Considerando que los radiólogos tienden a inspeccionar múltiples ventanas para obtener un diagnóstico preciso, se llegó a esta idea de utilizar una red piramidal de características de múltiples vistas, donde las características fueron extraídas de imágenes renderizadas con  anchos y niveles de ventana variados. Para combinar eficazmente esta información de múltiples vistas,  se empleó channel-wise attention module para capturar información complementaria a través de diferentes vistas.

b) Segmentación de lóbulos pulmonares: Con el fin de proporcionar la información de localización de lesiones en el pulmón, se adoptó una 3DU-Net como red de segmentación básica. 

Se utilizaron técnicas de aprendizaje profundo para una identificación precisa de las características de la imagen de TC torácico, así como para la evaluación cuantitativa en 96 pacientes consecutivos diagnosticados con COVID-19. El algoritmo analizó específicamente el volumen de anomalías y la distancia entre lesión y pleura. Además, este presentó una lectura de imágenes mucho más rápida que los residentes. En la detección de pacientes infectados con neumonía COVID-19, el algoritmo mostró un rendimiento robusto con sensibilidad de 1,00: significativamente más alto que los residentes.  La especificidad del algoritmo es inferior a la de los médicos; siendo esto atribuido a un artefacto marcado metálico o respiratorio y/o fibrosis, fácilmente reconocibles por expertos humanos. Esto parece apuntar a la utilidad de estos sistemas para el diagnóstico precoz, teniendo que mejorar en los resultados de especificidad.

Valoración personal: Considero que este artículo es adecuado para familiarizarse con la vanguardia de la investigación en torno a la inteligencia artificial aplicada al radiodiagnóstico. Sin embargo, creo que no sirve para familiarizarse con arquitecturas de redes neuronales, ya que, entre otras cosas, hay artículos previos de esta serie en los que definen mejor estos sistemas inteligentes. Por otro lado y, a nivel metodológico, cabe destacar que el dataset de test empleado es muy pequeño y extremadamente desbalanceado entre casos y controles, lo cual hace perder robustez a los resultados alumbrados.

Pablo Sanz Bellón

Hospital Universitario Marqués de Valdecilla, Santander, R3

pablosb22@gmail.com

Tagged with: , , , , , ,
Publicado en European Radiology, Revistas

Responder

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión /  Cambiar )

Google photo

Estás comentando usando tu cuenta de Google. Cerrar sesión /  Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Cerrar sesión /  Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Cerrar sesión /  Cambiar )

Conectando a %s

Publicaciones del Club
Residentes SERAM
Autores
A %d blogueros les gusta esto: