Estado actual de la Inteligencia Artificial en Imagen Torácica

¿Qué conocemos como inteligencia artificial?

La inteligencia artificial (IA) se refiere a todos los métodos y tecnologías que permiten a una máquina realizar tareas que normalmente requieren capacidades humanas: aprender de datos, razonar, reconocer formas u objetos, comprender el lenguaje y tomar decisiones.

En el ámbito de la imagen, la IA se corresponde principalmente con el aprendizaje automático, que abarca todos los métodos en los que un algoritmo aprende de los datos para realizar predicciones y clasificaciones sin necesidad de programación explícita. Entre los métodos de aprendizaje automático, el aprendizaje profundo es actualmente el método de referencia, que ha sustituido a otras técnicas en la mayoría de las aplicaciones. El aprendizaje profundo pertenece a la subcategoría de las redes neuronales.

Aprendizaje profundo

Un poco de historia

Ya en 1957, Frank Rosenbalt introdujo el perceptrón, el antecesor histórico del aprendizaje profundo. Se trata de un clasificador lineal: recibe varias entradas digitales (por ejemplo, píxeles de imagen), las combina ponderándolas y aplica una función de umbral para producir una salida binaria (0 o 1).

En 1986, aparecieron las primeras redes neuronales artificiales multicapa y mecanismos de retropropagación, que permitían tareas sencillas como el reconocimiento de dígitos y voz. En aquel entonces, la técnica se enfrentaba a las limitaciones de la potencia de procesamiento, lo que restringía gravemente sus aplicaciones.

Hasta 2005, las CPU (unidades centrales de procesamiento), capaces de realizar solo unas pocas tareas simultáneas, impedían el correcto funcionamiento de los modelos de aprendizaje profundo (con millones de parámetros), dejándolos inutilizables.

Ante la creciente presión de las necesidades informáticas del público en general, en particular de los videojuegos, el desarrollo de las GPU (unidades de procesamiento gráfico), procesadores capaces de realizar miles de cálculos en paralelo, se aceleró. En 2006, NVIDIA (una empresa de hardware conocida por sus GPU) lanzó CUDA, que permitía realizar cálculos en GPU.

No fue hasta 2012, con la publicación de Krizhevsky en la red Alexnet, que el auge del aprendizaje profundo adquirió relevancia. Este modelo de 8 capas, entrenado con dos GPU NVIDIA GTX 580, redujo a la mitad la tasa de error en imágenes ImageNET en comparación con los modelos estándar de la época. Desde entonces, el aprendizaje profundo se ha convertido en la norma en los modelos de IA.

¿Cómo funciona?

El aprendizaje profundo se basa en redes neuronales artificiales organizadas en varias capas sucesivas (de ahí el término "profundo"). Cada capa transforma sucesivamente datos sin procesar (píxeles de una imagen, sonidos, palabras) en representaciones abstractas, lo que permite completar una tarea específica.

Cada neurona recibe una gran cantidad de entradas, realiza una combinación ponderada de esta información y aplica una función de activación. A continuación, transmite el resultado a la siguiente capa de neuronas. Las capas sucesivas de neuronas aprenden características específicas de la información inicial. Esto a veces se denomina "caja negra" porque la información que se procesa aquí es compleja y su análisis a posteriori resulta difícil. Una capa final de neuronas determina finalmente el resultado esperado (segmentación, probabilidad de anomalía, tipo de anomalía, etc.).

Figura 1. Funcionamiento general de los algoritmos de aprendizaje profundo. Para aprender, la red compara su predicción con la realidad fundamental. Luego, ajusta ligeramente los pesos (impacto) de cada neurona del modelo para mejorar su predicción (esto se denomina retropropagación). Estos pasos sucesivos de prueba y corrección se repiten un gran número de veces en un número suficiente de ejemplos (a menudo miles)

Aplicaciones en imagen torácica

En Radiografía de Tórax

Se han desarrollado numerosas herramientas de IA para detectar anomalías en radiografías de tórax, y se han puesto a disposición del público grandes bases de datos para su desarrollo. Actualmente, las principales patologías detectadas por las soluciones comerciales incluyen neumotórax, derrame pleural, nódulos y focos infecciosos. Algunas soluciones pueden detectar un número aún mayor de patologías. Entre las posibles aplicaciones de la IA, cabe destacar que algunas soluciones buscan identificar radiografías de tórax normales, que no requieren necesariamente la interpretación de un radiólogo. Esto busca reducir la carga de trabajo.

Figura 2. Ejemplos de radiografías anotadas por IA en un entorno de urgencias. A: Paciente de 45 años remitido por distrés respiratorio febril agudo. Detección correcta por IA de un neumotórax derecho, un derrame pleural derecho y una opacidad pulmonar izquierda correspondiente a un foco de neumonía. B: Paciente femenina de 70 años remitida por dificultad respiratoria no febril. Detección mediante IA de un nódulo pulmonar parahiliar derecho, que, tras una investigación más exhaustiva, se identificó como carcinoma de células escamosas.

En la tomografía computarizada de tórax

Detección de nódulos pulmonares

La asistencia en la detección de nódulos pulmonares no es una aplicación nueva. Las primeras herramientas se desarrollaron a finales de la década de 1990. Sin embargo, la llegada del aprendizaje profundo ha supuesto una mejora significativa en el rendimiento, dando lugar a herramientas más sensibles con menos falsos positivos. Por lo tanto, las herramientas de IA se utilizan ahora comúnmente para la detección de nódulos pulmonares en las tomografías computarizadas. Un objetivo de su uso es el cribado del cáncer de pulmón mediante TC de baja dosis. El estudio CASCADE, actualmente en curso en Francia, tiene como objetivo evaluar si un radiólogo general asistido por IA puede sustituir la doble lectura por parte de radiólogos expertos.

La IA demuestra una precisión diagnóstica comparable o superior a los radiólogos en la detección de nódulos pulmonares y hallazgos torácicos. Un metaanálisis de 26 estudios con 150,721 imágenes reportó una sensibilidad combinada del 94.6% (IC 95%: 91.4-96.7%) y especificidad del 93.6% (IC 95%: 88.5-96.6%) para el cribado de cáncer de pulmón mediante IA. Revisiones sistemáticas recientes confirman que los algoritmos de deep learning alcanzan sensibilidades del 83-97% y precisión del 82-98% en la detección de nódulos pulmonares, superando a los radiólogos especialmente en nódulos pequeños.

En estudios comparativos directos, la IA sola mostró mayor sensibilidad que radiólogos para nódulos (81.6% vs 56.7%), neumonía (88.7% vs 67.3%), derrame pleural (87.2% vs 88.9%) y neumotórax (98.8% vs 79.2%). Un estudio multicéntrico demostró que la IA alcanzó sensibilidad del 99.1% para radiografías anormales y 99.8% para hallazgos críticos, comparado con 72.3% y 93.5% de los informes radiológicos clínicos, respectivamente.

Cuantificación de enfermedades pulmonares

Otra posible aplicación de la IA en las tomografías computarizadas de tórax es la cuantificación de lesiones. Esta es principalmente una aplicación de investigación que puede ayudar a comprender mejor el impacto de las anomalías morfológicas observadas o incluso a evaluar la eficacia de ciertos tratamientos. El uso de herramientas de IA permite una cuantificación significativamente más precisa y robusta que la cuantificación visual, que presenta una alta variabilidad interindividual. Estas herramientas se han desarrollado, en particular, para la cuantificación de enfermedades pulmonares intersticiales, y algunas incluso están disponibles comercialmente. También se han desarrollado herramientas similares para otras aplicaciones, como la cuantificación de enfermedades bronquiales.

Figura 3. Ejemplo de segmentación automática de múltiples anomalías en pacientes con fibrosis quística. Las imágenes A y C corresponden a tomografías computarizadas de diferentes pacientes. Las imágenes B y D son las mismas tomografías computarizadas con superposiciones de color que resaltan las anomalías detectadas por un algoritmo de IA específicamente entrenado. Se indican las siguientes anotaciones: bronquiectasias en rojo; engrosamiento de la pared bronquial en verde; impactaciones mucoides en morado; micronódulos ramificados en amarillo; focos de consolidación parenquimatosa en azul claro. y áreas de atrapamiento alveolar en beige claro.

Optimización de Imagen y Reducción de Dosis

Otra aplicación menos conocida, pero ampliamente utilizada, es la mejora de la reconstrucción de imágenes. Esta aplicación, desarrollada por varios fabricantes de escáneres TC, mejora la calidad de la imagen y, por lo tanto, reduce la dosis de radiación ionizante utilizada para adquirir imágenes de calidad similar a las obtenidas con métodos de reconstrucción iterativos hasta en un 75 %.

Limitaciones y Desafíos de Implementación

Desafíos metodológicos y de validación: Todos los estudios incluidos en revisiones sistemáticas fueron calificados con alto riesgo de sesgo, principalmente por uso de datos retrospectivos (24/27 estudios) y falta de validación externa. El rendimiento de los modelos de IA empeora cuando se aplican a pacientes diferentes de aquellos usados para el desarrollo del modelo (fenómeno de "data set shift").

Limitaciones clínicas identificadas:

• Especificidad variable: Aunque la IA muestra alta sensibilidad, la especificidad puede ser menor que la de radiólogos experimentados, resultando en tasas de falsos positivos más altas (2.36% a 9.77% en un estudio).

• Rendimiento en casos complejos: La precisión de la IA disminuye para hallazgos sutiles (enfermedad del espacio aéreo vaga: 33-61%), neumotórax o derrames pequeños (9-94%), y radiografías con múltiples hallazgos (especificidad 27-69% con ≥4 hallazgos vs 85-96% con hallazgos únicos).

• Clasificaciones intermedias: Hasta 49% de los nódulos pulmonares fueron clasificados como riesgo intermedio por algunos modelos de IA, limitando su utilidad clínica

Barreras de implementación:

• Infraestructura tecnológica: Requiere integración con sistemas PACS, evaluación de rendimiento in situ y monitoreo post-implementación.

• Aspectos éticos y legales: Identificados como obstáculos principales por 62% de radiólogos encuestados, junto con falta de conocimiento (57%)

• Educación y capacitación: 79% de radiólogos indican que la IA debería incorporarse en programas de residencia, pero existe controversia sobre el alcance de la formación necesaria.

• Responsabilidad legal: La responsabilidad por diagnósticos incorrectos basados en interpretación autónoma de IA permanece sin definir.

• Disparidades en acceso: Distribución desigual de datos y tecnología de IA puede crear disparidades en atención médica.

• Falta de evidencia prospectiva: Muy pocos ensayos controlados aleatorizados han demostrado la seguridad y efectividad de algoritmos de IA en radiología, y la falta de evaluación en el mundo real puede representar un riesgo sustancial para pacientes y clínicos.

Desarrollo futuro esperado

La última revolución en inteligencia artificial es la IA generativa, especialmente conocida por el público general gracias a herramientas como ChatGPT. Estos métodos pueden utilizarse, en particular, para crear herramientas automatizadas de generación de informes e incluso para intentar predecir la progresión de ciertas lesiones. Los trabajos iniciales en este campo sugieren perspectivas prometedoras, y varias instituciones y empresas están trabajando en el desarrollo de modelos fundamentales específicos para la imagenología. Estos modelos deberían conducir a una mejora significativa en las herramientas de IA desarrolladas hasta la fecha. Desde un punto de vista práctico para los radiólogos, las principales expectativas de la IA son una reducción en los errores de detección, un flujo de trabajo mejorado y una simplificación de ciertas tareas como la redacción de informes.