Radiología combinada con Redes Neuronales para detección de nódulos pulmonares.
La pasada semana, recibimos en las instalaciones de COOLMOD, la visita del profesor Raúl Aceñero, ingeniero informático e investigador y divulgador en temática de ciencia y tecnología, con quien mantuvimos una interesante charla y nos mantuvo informados sobre una importante investigación que está llevando a cabo, junto con otros compañeros de proyecto. Aceñero, entusiasta de nuestra marca y cliente asiduo de productos COOLMOD, nos contó su proyecto sobre la detección de imágenes radiológicas sospechosas de contener nódulos pulmonares, a través del cribado de grandes flujos de imágenes radiológicas realizadas en hospitales para la detección más temprana de nódulos pulmonares.
En este estudio, se propone un método para construir conjuntos de datos de entrenamiento alternativos para la detección de nódulos pulmonares a partir de imágenes de rayos X de tórax simples. Nuestro objetivo, nos comenta Aceñero, es mejorar la calidad de clasificación de una CNN de última generación, (Redes Neuronales Convolucionales CNN, por sus siglas en inglés, un tipo de modelo de aprendizaje profundo utilizado en el campo del procesamiento de imágenes y reconocimiento visual), simplemente seleccionando muestras apropiadas de los conjuntos de datos existentes. La hipótesis de esta investigación es que los modelos de alta calidad necesitan aprender contrastando imágenes muy limpias con aquellas que contienen nódulos, especialmente aquellas difíciles de identificar por clínicos no expertos.
En palabras de el profesor Aceñero, las radiografías [1][2] ayudan a los médicos a diagnosticar el cáncer en varias partes del cuerpo como en pulmones, huesos, estómago y riñones. En este caso, centrándonos en una radiografía de tórax, se crean imágenes de los pulmones, corazón, tráquea y laringe, columna vertebral y pueden visualizarse vasos sanguíneos.
Una vez producida la imagen, se necesita la observación del especialista quien pasa al examen de la misma para detectar posibles patologías [3] como: cardiomegalia, enfisema, atelectasia, efusión, masa vista en el pulmón, nódulo, neumonía.
La utilización convencional de radiografías para la detección de enfermedades tiene ventajas como inconvenientes: la principal ventaja es su uso habitual en la mayoría de países y a un coste económico mínimo. Sin embargo, el principal inconveniente es que se necesita personal altamente cualificado y entrenado para la interpretación de las imágenes radiológicas. El radiólogo es personal médico muy especializado y muy costoso para los sistemas sanitarios. Además, en los sistemas sanitarios se realizan a diario un volumen ingente de radiografías que a penas pueden ser revisadas por los radiólogos. Además, habría que añadir el handicap que supone que los médicos no especializados en radiología no estén capacitados para interpretar correctamente muchas de estas imágenes radiológicas, y concretamente las de más difícil diagnóstico por su complejidad.
Es aquí, donde entra de pleno la utilización de las redes neuronales para realizar un cribado previo de esas radiografías que no son capaces de interpretar correctamente, ni con la agilidad necesaria, médicos no especializados en radiodiagnóstico.
Por ello, se deben crear aplicaciones de redes neuronales para detectar y avisar, en el caso de detectar radiografías con enfermedades sospechosas, y remitirlas para su análisis posterior y más exhaustivo por un radiólogo.
La detección de patologías en etapas iniciales puede ser crucial para la supervivencia del paciente y establecer el tratamiento médico correcto, nos comenta Aceñero.
LA APLICACIÓN SE BASA EN REDES NEURONALES
El cáncer de pulmón puede tener asociado nódulos pulmonares, la red neuronal entrenada puede realizar un cribado de estos nódulos y de casos sin enfermedad. De tal forma, que es capaz de marcar los casos sospechosos para su posterior revisión por un radiólogo.
En este sentido, y para entrenar la red neuronal, Raúl Aceñero cliente de COOLMOD, y usuario habitual de Equipos COOLPC, diseñados y con configuraciones a medida para sus mediciones e investigaciones, en esta ocasión utilizó, el framework Pytorch, en hardware un procesador Intel i5 y una renovada tarjeta Nvidia RTX 3090 Ti. Todo un equipamiento de alto rendimiento para asegurar la fiabilidad de los procesos y como no, agilidad y velocidad de cálculo.
El datase o estructura de datos, con ejemplos o instancias utilizados para entrenar algoritmos y modelos, fue ChestXray-NIHCC que se encuentra alojado en la plataforma de National Institutes of Health – Clinical Center.
Los resultados fueron muy alentadores y, en el caso de nódulos, el programa fue capaz de detectar y hacer una criba sobre el 100% de los casos con nódulos y el 100% de los casos sin patología.
Por otro lado, se realizaron pruebas para el resto de patologías que se encuentran en el dataset de ChestXray-NIHCC y los resultados fueron también tan prometedores como en el caso de los nódulos patologías [3] como: cardiomegalia, enfisema, atelectasia, efusión, masa vista en el pulmón y neumonía.
Por otro lado, Aceñero nos comentó que también se ha preparado un sistema visual el cual informa al médico no especialista mostrándole las zonas sospechosas. Imágenes de la ayuda:
Imagen con nódulos
Mapa de calor que indica en la imagen las posibles zonas donde se encuentran los nódulos.
Reflexiones finales
Las pruebas preliminares de la red neuronal entrenada son muy prometedoras. Sin embargo, todavía quedan por realizar muchas pruebas en el sistema sanitario y verificar su funcionamiento correctamente para que se produzca su validación en uso diario en centros sanitarios de forma ordinaria.
La idea es darle al modelo los elementos necesarios que le permitan discernir la patología diana en etapas más tempranas, y en este sentido y, como trabajo futuro también se pretende conocer cómo discernir automáticamente los buenos de los malos ejemplos para entrenar estos modelos.
Como última aportación y lo que es más sorprendente, profesor Aceñero nos contó, cómo se hizo una prueba sobre una radiografía previa a un diagnóstico de cáncer de pulmón de un paciente. Esta radiografía fue analizada por un radiólogo confirmando que no había presencia de ningún nódulo, sin embargo, la red neuronal pudo encontrar un patrón que evidenciaba la aparición de la enfermedad. Nos podemos imaginar la importancia de este patrón previo, y sin ninguna patología, lo que habría podido analizar esta radiografía con la red neuronal entrenada, y se podría haber monitorizado inmediatamente y aplicarle un tratamiento antes de la aparición de la enfermedad con sus síntomas. Todo un hallazgo sin precedentes.
Como consecuencia, si se pudiera combinar con una pastilla [4] que ha logrado alcanzar una tasa de supervivencia sin precedentes en el cáncer de pulmón en etapa temprana: el 88% de pacientes, 298 vidas, continúan vivos pasados cinco años. El fármaco se denomina Tagrisso (osimertinib) y ha alcanzado estos alentadores resultados al finalizar la fase III de un ensayo clínico conducido por investigadores del Centro Oncológico de la prestigiosa Universidad de Yale y de la farmacéutica AstraZeneca”. Por lo tanto, la puesta en marcha de este protocolo de actuación a través del patrón de redes neuronales, podría ayudar a salvar la vida muchos pacientes de esta enfermedad.
Bibliografía de referencia
igi-global. Publisher of Timely Knowledge [1]
National Institutes of Health [2]
