Vista previa del material en texto
Guayaquil, 07 de julio de 2022 Doctora María Antonieta Touriz Bonifaz Gestora General de Posgrado Facultad de Ciencias Médicas Universidad de Guayaquil Ciudad De mi consideración: Informo a usted sobre el PROYECTO DE INVESTIGACIÓN presentado por la MD. ÁNGEL DAVID AUCANCELA PINCAY, del posgrado de IMAGENOLOGÍA cuyo tema es: “USO DE LA INTELIGENCIA ARTIFICIAL EN LA DETECCIÓN DE PATOLOGÍA TORÁCICA MEDIANTE RADIOGRAFÍA”, el mismo que se ha procedido a la revisión pertinente y cumple con los parámetros establecidos en las normas vigentes de la Universidad. Por tal motivo, el proyecto de investigación antes mencionado está debidamente aprobado, y pueda continuar con el proceso respectivo de su investigación. Particular que comunico a usted para los fines consiguientes. Atentamente, Dr. Jhony Real Cotto PhD. REVISOR C.I. 0907536791 JHONY JOE REAL COTTO Firmado digitalmente por JHONY JOE REAL COTTO Fecha: 2022.07.08 12:05:47 -05'00' UNIVERSIDAD DE GUAYAQUIL FACULTAD DE CIENCIAS MÉDICAS GESTORÍA GENERAL DE POSGRADO OF.GGPFCM-127-ANTEP Junio 30 del 2022 Médico Ángel David Aucancela Pincay RESIDENTE ESPECIALIZACIÓN IMAGENOLOGÍA HOSPITAL GENERAL GUASMO SUR Ciudad Por medio del presente oficio comunico a usted, que aplicando lo que consta en la Unidad Curricular de Titulación vigente en esta Gestoría su Anteproyecto de Investigación con el tema: “USO DE LA INTELIGENCIA ARTIFICIAL EN LA DETECCIÓN DE PATOLOGÍA TORÁCICA MEDIANTE RADIOGRAFÍA”. Tutor: Dr. Flavio Camacho Olalla Ha sido revisado y aprobado por la Gestoría General de Posgrado el día 30 de junio del 2022, por lo tanto, puede continuar con la ejecución del Proyecto final de titulación. Revisor asignado: Dr. Jhony Real Cotto Atentamente, Firmado electrónicamente por: MARIA ANTONIETA TOURIZ BONIFAZ Dra. María Antonieta Touriz Bonifaz MSc. GESTORA GENERAL DE POSGRADO C. archivo Revisado y Aprobado Dra. María Antonieta Touriz B. Elaborado Tcnlga. Nadia Guerrero V. UNIVERSIDAD DE GUAYAQUIL FACULTAD DE CIENCIAS MÉDICAS COORDINACIÓN DE POSGRADO UNIDAD CURRICULAR DE TITULACIÓN FORMULARIO DE REGISTRO DEL TRABAJO DE TITULACIÓN FECHA: Día: 15 Mes: 11 Año: 2021 PROGRAMA DE ESPECIALIZACIÓN UNIDAD ASISTENCIAL DOCENTE (UAD) Imagenología Hospital General Guasmo Sur Fecha Culminación Programa Día: 14 Mes: 11 Año: 2021 Fecha Inicio Programa Día: 15 Mes: 11 Año: 2017 DATOS DEL POSGRADISTA NOMBRES: Ángel David APELLIDOS: Aucancela Pincay Cédula No: 1720253093 Dirección: Cdla Amazonas Mz1 Villa 13 E-mail Institucional: angel.aucancelap@ug.edu.ec E-mail personal. darkangeldavid@hotmail.com Teléfono 0995303714 Teléfono móvil: 0995303714 MODALIDAD/OPCIÓN DE TITULACIÓN: 1. PROYECTO DE INVESTIGACIÓN ( x) 2. EXAMEN COMPLEXIVO ( ) 3. ARTÍCULO CIENTÍFICO ( ) TRABAJO DE TITULACIÓN: PROYECTO DE INVESTIGACIÓN Tema: USO DE LA INTELIGENCIA ARTIFICIAL EN LA DETECCIÓN DE PATOLOGÍA TORÁCICA MEDIANTE RADIOGRAFÍA LÍNEAS DE INVESTIGACIÓN. UNIDAD DE POSGRADO, INVESTIGACIÓN Y DESARROLLO – UG. LÍNEA DE INVESTIGACIÓN: Salud Humana, animal y del ambiente SUBLÍNEA: Metodologías diagnósticas y terapéuticas, biológicas, bioquímicas y moleculares MINISTERIO DE SALUD PÚBLICA. ÁREA/LÍNEA DE INVESTIGACIÓN/SUBLÍNEA No aplica LÍNEA DE INVESTIGACIÓN INSTITUCIONAL: No aplica SUBLÍNEA No aplica PALABRAS CLAVE: Tórax, Radiografía, Patología, Inteligencia artificial, Red neuronal. TIPO Y DISEÑO DE LA INVESTIGACIÓN: Descriptiva y correlacional TUTOR: Dra. Flavio Estuardo Camacho Olalla C.I. 0200912368 REVISOR METODOLÓGICO: Dr. Jhony Joe Real Cotto C.I. 0907536791 COORDINADOR DEL PROGRAMA: Dra. Rita Graciela Solis Rivera C.I 0908505878 No. DE REGISTRO: No. CLASIFICACIÓN: VALIDACIÓN DEL TRABAJO DE TITULACIÓN. COORDINACIÓN / GESTIÓN DE INVESTIGACIÓN. f) f) f) mailto:darkangeldavid@hotmail.com Guayaquil, 02 de julio del 2022 Doctora María Antonieta Touriz Bonifaz Gestora General del Posgrado Facultad de Ciencias Médicas Universidad de Guayaquil Ciudad. De mi consideración. El suscrito CERTIFICA haber revisado y analizado la PROPUESTA DE INVESTIGACIÓN, presentado por el MD. ÁNGEL DAVID AUCANCELA PINCAY, como requisito previo a la aprobación y desarrollo de la investigación para optar por el título de Especialista en IMAGENOLOGÍA, cuyo tema es “USO DE LA INTELIGENCIA ARTIFICIAL EN LA DETECCIÓN DE PATOLOGÍA TORÁCICA MEDIANTE RADIOGRAFÍA” y puedo dar fe que cumple con los parámetros establecidos en las normas vigentes de la Universidad de Guayaquil. Dra. Rita Solis Rivera Médico Especialista en Imagenología Coordinadora del Programa de Posgrado de Imagenología Firmado electrónicamente por: RITA GRICELDA UNIVERSIDAD DE GUAYAQUIL FACULTAD DE CIENCIAS MÉDICAS GESTORÍA GENERAL DE POSGRADO PROYECTO DE INVESTIGACIÓN PRESENTADO COMO REQUISITO PREVIO PARA LA OBTENCIÓN DEL TÍTULO DE ESPECIALISTA EN IMAGENOLOGÍA TEMA: “USO DE LA INTELIGENCIA ARTIFICIAL EN LA DETECCIÓN DE PATOLOGÍA TORÁCICA MEDIANTE RADIOGRAFÍA” AUTOR MD. ÁNGEL DAVID AUCANCELA PINCAY TUTOR DR. FLAVIO CAMACHO OLALLA AÑO: 2022 GUAYAQUIL - ECUADOR i DEDICATORIA El presente trabajo está dedicado: A mis padres Cornelio y Betty quienes con su amor, paciencia y esfuerzo me han permitido llegar a cumplir hoy un sueño más, gracias por inculcar en mí el ejemplo de esfuerzo y valentía y de no temer a las adversidades. A mis hermanos John, Verónica y a toda mi familia porque con sus oraciones, consejos y palabras de aliento hicieron de mí una mejor persona y de una u otra forma me acompañan en todas mis metas. A mi esposa Maribel e hijos Christopher y Romina, quienes han sido y serán un pilar fundamental en mi vida y de motivación, gracias a ellos he logrado una meta más. A mis compañeros y amigos con quienes hemos compartido conocimientos, alegrías y tristezas. Gracias a todos. David ii AGRADECIMIENTO Quiero expresar un sincero agradecimiento, en primer lugar, a Dios por brindarme salud, fortaleza y capacidad; también hago extenso este reconocimiento a todos mis docentes que, con su sabiduría, conocimiento y apoyo, motivaron a desarrollarme como persona y profesionalmente. David iii INDICE DE CONTENIDO RESUMEN .................................................................................................................... viii ABSTRACT ..................................................................................................................... ix INTRODUCCIÓN ............................................................................................................ 1 CAPÍTULO I 1. EL PROBLEMA ................................................................................... 4 1.1. PLANTEAMIENTO DEL PROBLEMA .............................................................. 4 1.2. PREGUNTAS DE INVESTIGACIÓN .............................................................. 6 1.3. JUSTIFICACIÓN .............................................................................................. 6 1.4. VIABILIDAD DE LA INVESTIGACIÓN ....................................................... 7 1.5. FORMULACIÓN DE OBJETIVO GENERAL Y ESPECÍFICOS ................... 7 1.5.1. OBJETIVO GENERAL .............................................................................. 7 1.5.2. OBJETIVOS ESPECÍFICOS ..................................................................... 7 CAPÍTULO II 2 MARCO TEÓRICO .............................................................................. 8 2.1. TEORÍA GENERAL .............................................................................................8 2.1.1. INTELIGENCIA ARTIFICIAL........................................................................ 10 2.1.2. INTELIGENCIA ARTIFICIAL EN LA SALUD............................................. 11 2.2. TEORIAS SUSTANTIVAS ................................................................................. 14 2.2.1. INTELIGENCIA ARTIFICIAL EN RADIOLOGÍA ................................... 14 2.2.2. CONJUNTOS DE DATOS Y TÉCNICAS DE PRE-PROCESAMIENTO DE IMÁGENES ............................................................................................................ 16 2.2.3. TÉCNICAS DE PRE-PROCESAMIENTO DE IMÁGENES ...................... 16 2.2.4. SOFTWARE UTILIZADO ........................................................................... 19 2.2.5. FUNDAMENTACIÓN LEGAL ................................................................... 21 2.3. REFERENTES EMPÍRICOS ............................................................................... 21 2.4 HIPÓTESIS ...................................................................................................... 28 2.5 VARIABLES ................................................................................................... 28 iv CAPÍTULO III 3. MATERIALES Y MÉTODOS ......................................................... 29 3.1 MATERIALES ................................................................................................ 29 3.1.1 LOCALIZACIÓN .......................................................................................... 29 3.1.2 PERÍODO DE LA INVESTIGACIÓN .......................................................... 29 3.1.3. RECURSOS EMPLEADOS ......................................................................... 29 3.1.3.1. RECURSOS HUMANOS .......................................................................... 29 3.3.2. RECURSOS MATERIALES. ....................................................................... 29 3.1.4. UNIVERSO Y MUESTRA ........................................................................... 29 3.1.4.1. UNIVERSO ................................................................................................ 29 3.1.4.2. MUESTRA ................................................................................................. 30 3.2 MÉTODOS ........................................................................................................... 30 3.2.1 DISEÑO DE LA INVESTIGACIÓN ............................................................. 30 3.2.2 DISEÑO DE LA INVESTIGACIÓN ............................................................. 31 3.2.3 PROCEDIMIENTO DE INVESTIGACIÓN ................................................. 31 3.2.4 OPERACIONALIZACIÓN DE VARIABLES .............................................. 32 3.2.5 CRITERIOS DE INCLUSIÓN / EXCLUSIÓN ............................................. 33 3.2.5.1 CRITERIOS DE INCLUSIÓN .................................................................... 33 3.2.5.2 CRITERIOS DE EXCLUSIÓN .................................................................. 33 3.2.6 ANÁLISIS DE LA INFORMACIÓN ............................................................ 33 3.2.7 ASPECTOS ÉTICOS ..................................................................................... 34 3.2.8 CRONOGRAMA DE ACTIVIDADES ............................................................. 35 CAPÍTULO IV ............................................................................................................... 36 4. RESULTADOS Y DISCUSIÓN ................................................................................ 36 4.1. RESULTADOS. ................................................................................................... 36 4.2. ANÁLISIS Y DISCUSIÓN ................................................................................. 41 CONCLUSIONES Y RECOMENDACIONES ............................................................. 44 CONCLUSIONES ...................................................................................................... 44 v RECOMENDACIONES ............................................................................................. 45 REFERENCIAS BIBLIOGRÁFICAS ........................................................................... 46 ANEXOS ........................................................................................................................ 53 vi INDICE DE TABLAS Tabla 1. Operacionalización de las variables .................................................................. 32 Tabla 2. Distribución por género. ................................................................................... 36 Tabla 3. Distribución por edad. ...................................................................................... 36 Tabla 4. Antecedente patológico. ................................................................................... 37 Tabla 5. Diagnósticos radiológicos e IA. ........................................................................ 37 Tabla 6. Prueba de Chi cuadrado para diagnostico radiológico y diagnostico IA. ......... 38 Tabla 7. Score de anormalidad IA .................................................................................. 39 Tabla 8. Informe radiológico y Score de anormalidad IA .............................................. 40 Tabla 9. Prueba de Chi cuadrado para diagnostico radiológico y score IA .................... 41 vii ÍNDICE DE GRAFICOS Gráfico 1 Dispersión de puntos para el informe Radiológico e informe IA ................... 39 Gráfico 2 Enfermedades observadas en la radiografía de tórax ..................................... 55 Gráfico 3 Resultado del análisis de una Rx de tórax por Lunit Insight CXR ................. 55 Gráfico 4 Información aportada por Lunit Insight CXR ................................................ 56 viii RESUMEN Los algoritmos de inteligencia artificial han tenido un gran avance en su capacidad de reconocimiento de imágenes, pudiendo identificar patrones complejos y proporcionando una evaluación cuantitativa en radiografías de tórax. Objetivo: Analizar el uso de la inteligencia artificial en la detección de patología torácica mediante radiografía en el Hospital General Guasmo Sur. Materiales y Método: Diseño no experimental, corte transversal tipo descriptivo analítico. Para ello se utilizó el software desarrollado por la empresa Lunit de EE. UU., Lunit Insight CRX basado en redes neuronales convolucionales multicapa que puede detectar 10 patologías torácicas con una precisión del 97 al 99%. Resultados: Se analizaron las radiografías de 162 pacientes provenientes de la consulta externa del Hospital General Guasmo Sur durante el periodo enero a septiembre del 2021. El software utilizado pudo identificar todas la patologías de tórax con la misma precisión que un radiólogo en todos los casos, pero fue más precisa en localizar consolidaciones, atelectasia y nódulos con una frecuencia del 24,7%, 4,32% y 2,47% respectivamente, mayor que un radiólogo, al comparar los diagnósticos dados por la IA con los dados por radiología se obtuvo una relación estadísticamente significativa por la prueba de chi cuadrado de p= 0,000 con una confiabilidad del 95% y una certeza en los diagnósticos del 97 al 100%. Conclusión: Los sistemas de IA pueden ser una herramienta útil y confiable para agilizar los diagnósticos de patología torácica por Rx de tórax a la vez que facilita el trabajo de los radiólogos. Palabras clave: Tórax, Radiografía., Patología, Inteligencia artificial, Red neuronal. ix ABSTRACT Artificial intelligence algorithms have made great strides in their image recognition capabilities, being able to identify complex patterns andproviding a quantitative assessment on chest radiographs. Objective: To analyze the use of artificial intelligence in the detection of thoracic pathology by radiography at the Guasmo Sur General Hospital. Materials and Method: Non-experimental design, cross-sectional analytical descriptive type. For this, the software developed by the US company Lunit, Lunit Insight CRX, based on multilayer convolutional neural networks that can detect ten thoracic pathologies with an accuracy of 97 to 99%, was used. Results: The radiographs of 162 patients from the outpatient clinic of the Guasmo Sur General Hospital were analyzed during the period January to September 2021. The software used was able to identify all chest pathologies with the same precision as a radiologist in all cases, but it was more precise in locating consolidations, atelectasis and nodules with a frequency of 24.7%, 4.32% and 2.47% respectively, higher than a radiologist, when comparing the diagnoses given by AI with those given by radiology, it was found obtained a statistically significant relationship by the chi square test of p= 0.000 with a reliability of 95% and a certainty in the diagnoses of 97 to 100%. Conclusion: AI systems can be a useful and reliable tool to speed up diagnoses of thoracic pathology by chest X-ray while facilitating the work of radiologists. Keywords: Thorax, X-ray, Pathology, Artificial intelligence, Neural network 1 INTRODUCCIÓN Desde su aparición en la década de los 80 el diagnostico asistido por computador o computer aided diagnosis (CAD) por sus siglas en inglés, ha sido un tema de gran debate porque por un lado ha mejorado la especificidad y sensibilidad en los diagnósticos por imágenes, pero por otro lado surge la pregunta de hasta qué punto la inteligencia artificial (IA) puede sustituir la experiencia y el juicio del radiólogo (Suarez, 2019) . Los sistemas CAD están estrechamente relacionados con la radiografía digital, con la particularidad de que las tareas de detección, procesado y visualización de la imagen radiográfica se realizan de forma independientes. Además, la radiografía digital permite mejora de la calidad de imagen lo que brinda mayor exactitud en el diagnóstico, reduce la exposición del paciente a radiación, reduce costos, mayor eficiencia en el almacenamiento y búsqueda de imágenes, y permite el análisis digital de las imágenes mediante IA (Puentes, 2021). De esta forma la inteligencia artificial se ha convertido en un tema controvertido en radiología estos últimos años, con gran cantidad de artículos sobre algoritmos de aprendizaje centrados únicamente en imágenes médicas en 2018 (Quin, 2018). El aprendizaje automático les permite a las computadoras la capacidad de aprender de los datos obtenidos de bancos de imágenes de rayos x de tórax disponibles públicamente y reproducir interpretaciones humanas sin la necesidad de una programación previa (Suarez, 2019). Los estudios de imágenes por computadora, un campo científico de especial interés para los radiólogos comparte un número de objetivos con aprendizaje automático. La meta es hacer posible que los sistemas de IA analicen, procesen y comprendan lo digital para automatizar las tareas que puede realizar el sistema visual del radiólogo (Almeida, 2021) El desarrollo de las técnicas de aprendizaje automático desde su aparición en los años 80, junto a la disponibilidad de grandes bancos de imágenes digitalizadas y las crecientes capacidades de procesamiento de imágenes impulsadas por el desarrollo de unidades de procesamiento gráfico (GPU), han sido los elementos fundamentales para el desarrollo de redes neuronales convolucionales (CNN) que son capaces de aprender de forma automática (Trujillo, 2018). Las redes neuronales han sido diseñadas para imitar la forma en que el cerebro humano procesa la información. Combinan múltiples neuronas 2 formales, donde cada una procesa parte de la información, con su combinación inteligente se logra llegar a una decisión final. En las redes neuronales profundas las neuronas están organizadas en múltiples capas donde cada una se dedica a procesar una propiedad de la imagen y se caracterizan por una retroalimentación que permite el autoaprendizaje (Quin, 2018). El aprendizaje profundo representa actualmente el modelo en máquinas de aprendizaje para una variedad de aplicaciones en el campo de la salud. La clasificación de pacientes, detección de imágenes anormales, agilizar los diagnósticos son las tareas que se beneficiaron principalmente en del desarrollo del aprendizaje profundo. En tal sentido la FDA ha centrado el proceso de aprobación de sistemas de IA para diagnóstico (Weisberg, 2020). Las Imágenes digitalizadas abarca también otros objetivos, como la radiómica que consiste en extraer datos cuantificables y analizar características de las imágenes que pueden ser invisibles al ojo humano como la forma, textura o intensidad de los vóxeles (equivalente tridimensional de los pixeles) (Cabezas, 2019). La información obtenida por la radiómica se puede utilizar para fines de clasificación, como la naturaleza benigna o maligna de un nódulo pulmonar, sino además para evaluar el pronóstico o la probabilidad de respuesta al tratamiento, por ejemplo, de las neoplasias malignas pulmonares; porque estos datos están relacionados con los procesos biológicos que dan origen a las imágenes radiológicas. Y es precisamente en este aspecto donde la visión por computador tiene su papel clave, por que un médico, por mucha experiencia que tenga, jamás podrá hacer un análisis tridimensional tan detallado de las imágenes como los algoritmos de Inteligencia Artificial (Sierra, 2021). El análisis radiómico se fundamenta en estadísticas, utilizando varios métodos tales como agrupamiento o reducción de dimensionalidad, bosque aleatorio, regresión lineal y otros. El diagnóstico asistido por computadora (CAD) se sustenta en herramientas que se han desarrollado para facilitar los diagnósticos leyendo las imágenes como lo haría un humano. Ahora bien, la principal diferencia entre el aprendizaje automático clásico y las redes neuronales profundas está en que el aprendizaje profundo utiliza la radiómica para el proceso de extracción de características y clasificación de enfermedades del método tradicional (Härtel-Gründler, 2020). 3 La imagenología torácica es un área importante para el desarrollo de soluciones basadas en inteligencia artificial, por múltiples razones. La radiografía de tórax (CXR), es uno de los más frecuentes procedimientos diagnósticos por imágenes en medicina por su bajo costo y disponibilidad en cualquier centro de atención primaria, incluso en países poco desarrollados (Arrienta, 2021). El alto volumen de radiografías de tórax representa una enorme carga de trabajo, y en algunos países no hay suficientes radiólogos para interpretarlas. Además, los errores de detección son comunes debido al bajo contraste entre las lesiones, el pulmón circundante y la superposición de estructuras óseas, es aquí donde las herramientas computarizadas asistidas pueden resultar útiles. La IA puede ayudar a disminuir el trabajo del profesional médico, a facilitar la gestión hospitalaria y reducir los gastos por la realización de múltiples pruebas (Sierra, 2021). El uso de CAD mejora la precisión del lector para la detección de cánceres de pulmón previamente omitidos en CXR. Detección precoz de cáncer de pulmón con TC de dosis baja, ha demostrado reducir la mortalidad relacionada con el cáncer de pulmón y se prevé que después de Estados Unidos, los países europeos podrían iniciar un cribado a gran escala que requerirá una gran cantidad de recursos debido a la gran cantidad de pacientes elegibles. Ésta es otra razón por la que la IA, a través de los algoritmos podrían ayudar a los radiólogos amejorar los diagnósticos de patologías torácicas (Gordienko, Peng, & Jiang, 2017). En este sentido está orientado el objetivo principal de este trabajo, determinar como la IA puede ayudar en el diagnóstico de patologías torácicas mediante radiografías. Para ello se evaluaron las radiografías de tórax de los pacientes referidos de consulta externa del Hospital General Guasmo Sur en el periodo comprendido entre enero a octubre del 2021. 4 CAPÍTULO I 1. EL PROBLEMA 1.1. PLANTEAMIENTO DEL PROBLEMA En el diagnostico por imágenes han existido importantes avances ya que la cantidad de información, el almacenamiento y la creación de bases de datos con imágenes necesita de análisis rápidos y eficientes que permitan tomar las mejores decisiones de tratamiento para un paciente. En el área de diagnóstico por Rx el examen más solicitado es la radiografía de tórax, debido a que permite una rápida exploración de la región pulmonar y mediastínica en el diagnóstico de pacientes bajo sospecha de padecer una variedad de enfermedades que incluyen neumonía, tuberculosis y neumotórax. (Raschio, 2021). Los Rx de tórax también se realizan frecuentemente para confirmar la ubicación de catéteres y sondas, o para vigilar la evolución de una enfermedad, incluido el cáncer de pulmón. Además de la Rx de tórax, en el Hospital General Guasmo Sur, el medico cuenta con otras herramientas de imágenes como la Tomografía Axial Computada (TAC) la Resonancia Magnética (RM), Mamografía, Densitometría ósea y la ecografía. La TC de tórax frecuentemente se usa en pacientes pediátricos, para evaluar a los niños con patología bronquial, neumonía o enfermedad pulmonar intersticial (Cassiano, 2015). Esta enorme cantidad de información requiere de análisis que sean rápidos y eficientes de modo que permita a los médicos tomar las mejores decisiones de tratamiento para un paciente (Galvez, 2017). Es precisamente esta necesidad de agilidad y precisión en el análisis de imágenes que permitan tomar decisiones, lo que más se ha complicado con los avances en la tecnología, principalmente en los centros asistenciales grandes como el Hospital general Guasmo Sur que tiene una población de beneficiarios de 11008681 (Minsalud, 2020). Esta situación hace surgir la pregunta de qué tan rápidos y certeros podemos llegar a ser en la toma de decisiones si el volumen de información sobrepasa nuestras capacidades humanas. Se calcula que aproximadamente el 10% de las consultas ambulatorias necesitan de un examen radiológico, de los pacientes atendidos en servicios de urgencia 50% requiere un examen radiológico y el 70% de los hospitalizados (Perez, 2022). 5 Los algoritmos de inteligencia artificial (IA), en particular las redes neuronales de aprendizaje profundo han demostrado un gran progreso en las tareas de reconocimiento de imágenes. Desde los métodos de las redes neuronales convolucionales hasta los autocodificadores variacionales han encontrado innumerables aplicaciones en el campo del análisis de imágenes médicas, impulsando su desarrollo a un ritmo rápido (Almeida, 2021). Estos algoritmos pueden aprender de sus errores y reorganizar sus redes neuronales, de modo que, al igual que los seres humanos, están sometidos a un constante aprendizaje. La Rx de tórax y la TC, dos pilares de la radiología de tórax, son las modalidades de imagen más investigadas lo que ha permitido superar las limitaciones de otras técnicas proporcionándole interpretabilidad, transparencia, reproducibilidad y un alto rendimiento para obtener la credibilidad de los radiólogos, que las emplean en su práctica clínica (Corbacho M. , 2021) . Los softwares de inteligencia artificial (IA) para imágenes de tórax se están estudiando ampliamente dentro de la radiología. Actualmente se dispone de más de 40 paquetes de software comerciales con la marca CE (Conformité Européenne) que certifica su uso en Europa, muchos de ellos también han recibido la aprobación de la FDA en EE. UU. para uso clínico en TC y Rx convencional del tórax. La IA puede detectar una amplia gama de anomalías, tanto en la Rx de tórax como en la TC de tórax. La mayoría de los productos de IA actuales han sido desarrollados para pacientes adultos, pero también podrían ser usados en pacientes pediátricos (Quin, 2018). Actualmente, se están produciendo cambios de paradigmas importantes en los principios de diseño de las herramientas informáticas utilizadas en la clínica. Existe un gran debate sobre la velocidad con la que se implementarán los nuevos métodos de aprendizaje profundo en la práctica de la radiología clínica. El desarrollo de soluciones automatizadas basadas en el aprendizaje profundo debe comenzar abordando los problemas clínicos más comunes porque se dispone de suficientes datos. Estos problemas involucraran casos en los que la experiencia humana tenga una gran demanda o los datos sean demasiado complejos para los radiólogos. Es probable que en una segunda etapa se aborden problemas más complejos como la resonancia magnética multiparamétrica (Cabezas, 2019). De tal manera, cuando los humanos y la IA trabajan juntos, el rendimiento diagnóstico 6 mejora, se evalúan tratamientos y pronósticos. Estos sistemas por ahora se centran en el diagnóstico de una patología, una complicación o un hallazgo determinado. Por lo que conocer su capacidad y precisión para ayudar en el diagnóstico de patologías torácicas a través de Rx de tórax es importante. 1.2. PREGUNTAS DE INVESTIGACIÓN ¿La Inteligencia Artificial puede ayudar en la detección de patologías torácica mediante radiografía? 1.3. JUSTIFICACIÓN La radiografía de tórax es actualmente una técnica de diagnóstico por imágenes médicas económica y fácil de usar. Es la herramienta de diagnóstico más utilizada en la práctica médica por su bajo costo, su fácil operación y al aporta gran cantidad de información sobre patologías torácicas tiene un papel importante en el diagnóstico de la enfermedad pulmonar (Quin, 2018). Sin embargo, la interpretación correcta de la imagen puede ser un desafío, incluso para el radiólogo experimentado. Factores como la técnica para obtener la imagen, la superposición de estructuras tisulares, bajo contraste entre la lesión y tejido circundante y cuando las estructuras óseas o los vasos sanguíneos pulmonares grandes están superpuestos a la lesión. En radiología el error es frecuente y la variación Inter observador puede estar entre el 6 y 27 % y la variación intra observador ir del 10 al 20 % (Gonzalez, 2016). Por lo tanto, el examen de la enfermedad pulmonar en una radiografía de tórax puede provocará cierto grado de detección fallida (Cabezas, 2019). Por el amplio uso de las radiografías de tórax y la complejidad de leerlas hacen que la utilización de diagnóstico asistida por computadora (CAD) sean un tema muy debatido de investigación, ya que estos sistemas pueden detectar lesiones sospechosas que se pasan por alto fácilmente, mejorando así la precisión de su detección (Almeida, 2021). La precisión y fiabilidad de estos sistemas para realizar interpretaciones objetivas han mejorado con el desarrollo de las redes neuronales convolucionales y el aprendizaje profundo (Corbacho M. , 2021). 7 Por ello, la razón de realizar este estudio es conocer la utilidad de los sistemas de IA y su confiabilidad para detectar patologías torácicas en radiografías de tórax. Además de su validación y posible implementación clínica de rutina en el Hospital General Guasmo Sur para contribuir en la agilización del flujo de trabajo y mejora en la precisión de los diagnósticos. 1.4. VIABILIDAD DE LA INVESTIGACIÓN Para el desarrollo de esta investigación se cuenta con la disponibilidad de recursos financieros, humanos y materiales para lograr los objetivos propuestos. Además, se tuvo el apoyode los directivos del hospital general “Guasmo Sur” para realizar la investigación. 1.5. FORMULACIÓN DE OBJETIVO GENERAL Y ESPECÍFICOS 1.5.1. OBJETIVO GENERAL • Analizar el uso de la inteligencia artificial en la detección de patología torácica mediante radiografía en el Hospital General Guasmo Sur. 1.5.2. OBJETIVOS ESPECÍFICOS • Determinar las características demográficas de los pacientes atendidos con patología torácica • Describir los hallazgos detectados por radiografía de tórax en los casos en estudio. • Determinar los programas de inteligencia artificial empleados para la detección de patologías torácica • Establecer la relación entre la inteligencia artificial con el reconocimiento de patrones de imágenes médicas en patologías torácicas con el diagnóstico previo 8 CAPÍTULO II 2 MARCO TEÓRICO 2.1. TEORÍA GENERAL Existen varias tendencias en inteligencia artificial en salud, incluidas las que ya están en funcionamiento en centros de toda América Latina. Estos equipos ofrecen diversos grados de actividad, desde sistemas de chequeo automático hasta máquinas inteligentes que realizan cirugías completas. Actualmente, gran parte de los estudios están enfocados al sector de la radiología, utilizando equipos que agilizan el diagnóstico de los pacientes, con mayor precisión y menos tiempo (Arrienta, 2021). Contamos con, equipos de resonancia magnética que pueden detectan hemorragias intracraneales o tomografías computarizadas, que utilizan algoritmos preprogramados para diagnósticos más rápidos. Así, la principal tendencia se centra en ofrecer servicios de calidad al paciente, reduciendo la probabilidad de errores y potenciando los tratamientos (Almeida, 2021). Además, los softwares de inteligencia artificial usados en salud también cuentan con sistemas de intercambio de información, con una amplia base de datos de uso público, facilitando el acceso a los profesionales a miles de imágenes (Marín & Lucini, 2021). Con la integración de diferentes centros clínicos, las plataformas inteligentes pueden incluso analizar los datos del servidor para detectar anormalidades que pueden haber pasado desapercibidas al ojo del radiólogo (Pico, Muñoz, & Analuisa, 2021). En este caso, se desarrollan nuevos estudios en todos los niveles de los servicios de salud, desde el más simple hasta el más complejo. La inteligencia artificial (IA) ha logrado recientemente avances sustanciales en la interpretación de la información sensorial como son las imágenes (Visión artificial), lo que le ha permitido a las maquinas representar e interpreten mejor los datos presentes en una radiografía (Zakirov, Kuleev, & Timoshenko, 2015). Esto ha permitido importantes avances en aplicaciones que van desde motores para la búsqueda en la web y los vehículos autónomos hasta el procesamiento del lenguaje natural y la visión por computadora, labores que solo podían realizar las personas (Pendleton, 2017). 9 El aprendizaje profundo es una subcategoría del aprendizaje automático que se fundamenta en estructuras de redes formadas por neuronas artificiales dispuestas en múltiples capas inspiradas en la forma que se organiza el cerebro humano (Galvez, 2017). De la misma forma que lo hace una persona, estas redes pueden aprender a identificar y catalogar características discriminatorias de los datos que se le suministren en forma de imágenes, por ejemplo, de forma automática, lo que les permite hacer la aproximación de relaciones no lineales de la realidad para emitir un juicio (Cassiano, 2015). Los sistemas de IA anteriores se han utilizado en aplicaciones médicas con un rendimiento infrahumano, pero los algoritmos de aprendizaje profundo basados en redes neuronales pueden igualar y en ocasiones superar a los humanos en la realización de tareas específicas (Marín & Lucini, 2021). Esto es posible a los avances recientes en la investigación de la inteligencia artificial, las enormes cantidades de bancos de datos digitales de acceso público disponibles para entrenar algoritmos y al desarrollo hardware computacional más potentes (Yang, Chen, Liu, & Zhong, 2017). La inteligencia artificial ha logrado vencer a los humanos en el juego de mesa conocido como Go, lo que se pensaba sería imposible dado que se trata de un juego de estrategia con una alta complejidad y gran cantidad de movimientos posibles (Silver, 2016). En esta tendencia de crear una IA general con características humanas, los investigadores predicen que la IA automatizará muchas de las tareas que realizan los humanos en las próximas décadas (Hosny, Parmar, & Quackenbush, 2018). A medida que se desarrollan y entran en uso clínico productos de análisis de imágenes médicas basados en IA, la posición del radiólogo debe ser la de un consumidor informado sobre las características y potenciales de estas herramientas. Para que le radiólogo pueda ser un consumidor altamente educado requiere varios atributos: considere si existe la necesidad del uso de herramientas de IA en casos específicos, realizar una evaluación objetiva de las herramientas de IA antes de usarlas en la práctica y mantener el criterio clínico, experiencia y cuidado de los errores producto de la excesiva confianza en la tecnología (Rubin, 2019). Existen diversos productos de IA aprobados por la FDA y la CE para su uso clínico disponibles en el mercado. El radiólogo primero debe analizar si su práctica se verá beneficiada con el uso de la IA. Por ejemplo, un algoritmo de IA que detecta neumotórax 10 puede no ser útil para el radiólogo; pero, un algoritmo que pueda detectar cambios volumétricos en el neumotórax o detecta características sutiles que indican tensión si le seria de valor. Los escenarios clínicos donde el uso de los algoritmos de IA puede resultar valiosos denominan "casos de uso de IA" (Krizhevsky, Sutskever, & Hinton, 2017). 2.1.1. INTELIGENCIA ARTIFICIAL El término IA se utiliza cuando un software es capaz de imita funciones cognitivas, como el aprendizaje y la resolución de problemas. En su aspecto más general, la IA se refiere al campo de la informática dedicado a la creación de sistemas que realizan tareas que generalmente requieren inteligencia humana, ramificándose en diferentes técnicas. El aprendizaje automático o machine Learning (ML), es un término introducido por Arthur Samuel en 1959 para conceptualizar al área de la IA que crea algoritmos que logran hacer que las computadoras puedan aprendan de los datos que se les suministran sin la necesidad de ser programadas previamente para cumplir una función específica. Los métodos de aprendizaje automático que existen se pueden clasificar en tres categorías en base a la técnica de aprendizaje utilizada: supervisado, no supervisado y aprendizaje por refuerzo. En el aprendizaje supervisado al comienzo se entrena la máquina, proporcionándole información de entrada o características de la imagen a analizar que están relacionadas a con un resultado conocido o etiqueta identificado por expertos humanos. El objetivo de estos algoritmos es aprender las reglas generales que relacionen entradas con etiquetas para dar un diagnóstico. En el aprendizaje no supervisado se introducen gran cantidad de datos no etiquetados para que el sistema busque patrones y cree clasificaciones en grupos de manera automática. Finalmente en el aprendizaje por refuerzo introduce al sistema datos etiquetados, así como sin etiquetar en un ambiente dinámico, donde recibe reentradas o feedback de acuerdo a sus acciones con lo cual se perfecciona, desarrollando mejores caracterizaciones y clasificaciones, es decir que la maquina aprende automáticamente sin necesidad de instrucciones previas explicitas (Alvarez, Quiros, & Cortes, 2020) Entre las técnicas dentro de ML, el aprendizaje profundo o Deep Learning (DL)se ha convertido en una de las más prometedoras por su acercamiento a los procesos de aprendizaje del cerebro humano y en la resolución de problemas complejos. Los modelos basados en aprendizaje profundo utilizan redes neuronales artificiales de múltiples capas; las capas se forman por múltiples neuronas 11 interconectadas y las capas a su vez se encuentran interconectadas por otras neuronas formando una red. Esta estructura permite que se aprendan relaciones extremadamente complejas entre características y etiquetas logrando exceder las capacidades humanas en algunas tareas como, por ejemplo, la clasificación de imágenes (Pesapane, Codari, & Sardanelli, 2018). La combinación de grandes cantidades de datos procesado de manera interactiva por algoritmos inteligentes le permite al software aprender automáticamente de las características y patrones presentes en los datos de modo que pueda razonar lo que percibe y explicarlo por medio de un juicio, esa es la base de la inteligencia artificial (Barsallo & Barsallo, 2019). Los expertos en informática Russell y Norvig (2008) diferencian entre diferentes tipos de inteligencia artificial: Sistemas capaces de pensar como humanos Se refiere a maquinas que automatizan funciones como la toma de decisiones, la resolución de problemas y el aprendizaje. Como ejemplo tenemos las redes neuronales artificiales. Sistemas capaces de actuar como humanos Se refiere a computadoras que pueden ejecutar labores de igual forma que los humanos, como es el caso de los robots. Sistemas capaces de pensar racionalmente Se refiere a sistemas que buscan imitar el pensamiento lógico racional de los humanos, para crear maquinas que puedan comprender, razonar y actuar. Los sistemas inteligentes se incluyen en este grupo. Sistemas capaces de actuar racionalmente Se refiere a los sistemas que tratan de simular racionalmente el comportamiento humano, como agentes inteligentes. 2.1.2. INTELIGENCIA ARTIFICIAL EN LA SALUD 12 El uso de la inteligencia artificial en salud es un hecho y las nuevas tecnologías ofrecen innumerables beneficios a diferentes áreas, incluida la radiología. Los avances en telemedicina demuestran que es posible combinar la modernidad de los nuevos equipos inteligentes con diversos procesos médicos, mejorando la calidad de los servicios que se ofrecen al paciente. Sin embargo, muchas personas aún desconocen las ventajas de esta innovación, al no aprovechar los eficientes y modernos mecanismos en sus áreas (Corbacho M. , 2021). A través de la Inteligencia Artificial (IA) se crean dispositivos capaces de simular las capacidades humanas de razonamiento, percepción y toma de decisiones. El área se ha desarrollado n los últimos años, debido principalmente a los avances tecnológicos que han permitido la creación de máquinas como robots inteligentes y complejos sistemas de programación capaces de reconocer patrones de imágenes en estudios de imágenes por Rx, resonancia magnética o ecografía (Porcelli, 2020). En tal sentido, la inteligencia artificial aplicada en salud es una subcategoría de estudios científicos dedicado a la creación de equipos capaces de optimizar la atención, los diagnósticos y los tratamientos en los centros de salud (Organización Mundial de la Salud, 2021). Ejemplos de estas tecnologías son el robot quirúrgico llamado Da Vinci que ayudan en cirugías complejas reduciendo el temblor y mejorando la visión de las estructuras anatómicas o de las máquinas de resonancia magnética extremadamente modernas capaces de identificar imágenes anormales y generar diagnósticos. Es decir, sistemas programados para simular capacidades humanas y a la vez ampliar las posibilidades diagnosticas (Weisberg, 2020). En la década de 1960 se creó el primer sistema de detección asistido por computadora y los estudios posteriores han demostrado que la precisión en la detección de enfermedades torácica mejora con un sistema CAD de Rx como asistente. Se han desarrollado muchos productos comerciales para aplicaciones clínicas, incluidos los sistemas de imágenes CAD4 TB (Zakirov, Kuleev, & Timoshenko, 2015). Es importante acotar que, por la complejidad de las imágenes en unas radiografías de tórax, la detección automática de las enfermedades es difícil por lo que, la mayoría de los sistemas están diseñados para detectar una patología en específico y en general de los sistemas CAD existentes están 13 destinados a la detección precoz del cáncer de pulmón. Se dedica un número relativamente pequeño de estudios a la detección automática de otros tipos de patologías (Krizhevsky, Sutskever, & Hinton, 2017). Un sistema CAD se dividen básicamente en los siguientes pasos: preprocesamiento de imágenes, extracción de regiones de interés (ROI), extracción de características de las regiones de interés (ROI) y clasificación de enfermedades de acuerdo con las características extraídas. El reciente desarrollo de la inteligencia artificial (IA) basado en redes neuronales convolucionales combinado con la disponibilidad de grandes volúmenes de imágenes médicas en bases de datos de uso libre brinda nuevas oportunidades para desarrollar sistemas CAD en las aplicaciones médicas de estudios de imágenes radiológicas. Los métodos de inteligencia artificial, principalmente el aprendizaje profundo, reemplazan especialmente el proceso de extracción de características y clasificación de enfermedades en los sistemas CAD tradicionales (Rojas & Rojas, 2006). Los métodos de inteligencia artificial también se pueden utilizar en la segmentación de imágenes lo que permite separa una estructura de otras para diferenciarlas como por ejemplo, en una radiografía de tórax a través de la segmentación se puede separar la silueta cardiaca de los campos pulmonares o los grandes vasos del mediastino, por otro lado la supresión ósea permite eliminar los arcos costales de manera que se pueden visualizar imágenes ocultas detrás o evitar confusión entre imágenes costales y del parénquima pulmonar. Los métodos de aprendizaje superficial son ampliamente utilizados como clasificadores para identificar imágenes patológicas que ameritan la atención del radiólogo, pero su rendimiento va a depender de las características preprogramadas y extraídas a mano de bases de datos para el entrenamiento del sistema (Curioso & Brunette, 2020). Cuando se trata de imágenes complejas de Rx de tórax, se necesita mucho tiempo para encontrar un buen conjunto de características de la patología que se quiere diagnosticar para que le sean útiles para el rendimiento del CAD. Recientemente, debido a la aplicación extensa y exitosa del aprendizaje profundo en diferentes tareas de reconocimiento de imágenes, como la clasificación de imágenes y la segmentación semántica, se ha estimulado el interés en volver a aplicar el aprendizaje profundo a las imágenes médicas (Almeida, 2021). 14 Particularmente, los avances en el aprendizaje profundo y la disponibilidad de grandes bases de datos han hecho que los algoritmos puedan llegar más allá del desempeño de los profesionales médicos en el análisis de imágenes médicas, incluido el diagnóstico de neumonía, la detección de retinopatía diabética, la clasificación del cáncer de piel, detección de arritmias e identificación de hemorragias (Noh, Hong, & Han, 2015). Por lo tanto, los métodos de aprendizaje profundo especialmente los basados en redes neuronales (CNN), que tienen la capacidad de aprender automáticamente las características de la imagen usadas para su entrenamiento y luego poder clasificar las enfermedades torácicas, se han convertido en una tendencia generalizada (Trujillo, 2018). 2.2. TEORIAS SUSTANTIVAS 2.2.1. INTELIGENCIA ARTIFICIAL EN RADIOLOGÍA En las últimas décadas, las imágenes médicas han evolucionado desde las imágenes deproyección, como las radiografías o las gammagrafías planares, hasta las imágenes tomográficas, la tomografía computarizada, la tomo síntesis, la tomografía por emisión de positrones y la resonancia magnética, estudios cada vez más complejos tecnológicamente y en datos. El uso de imágenes tridimensionales comenzó durante la década de 1930, no fue hasta la era digital que este tipo de imágenes permitió obtener gran detalle anatómico y capturar información funcional (Marangoni, 2018). La creciente cantidad de datos a procesar puede influir en cómo los radiólogos interpretan las imágenes: desde la inferencia hasta la mera detección y descripción. Cuando se dedica demasiado tiempo al análisis de imágenes, se reduce el tiempo necesario para evaluar los contextos clínicos y de laboratorio. El radiólogo se reduce a ser sólo un analista de imágenes. La interpretación clínica de los hallazgos se deja a otros médicos. Esto es peligroso, no solo para los radiólogos sino también para los pacientes: los no radiólogos pueden tener una comprensión completa de la situación clínica pero no tienen el conocimiento radiológico. En otras palabras, si los radiólogos no tienen tiempo para el juicio clínico, el significado final de los exámenes radiológicos quedará en manos de personas no expertas en imágenes médicas (Pesapane, Codari, & Sardanelli, 2018). 15 En este escenario, la IA no es una amenaza para la radiología. De hecho, es una gran oportunidad para su mejora. Al igual que nuestra inteligencia natural, los algoritmos de IA observan imágenes médicas para identificar patrones después de haber sido entrenados con una gran cantidad de exámenes e imágenes. Esos sistemas podrán brindar información sobre la caracterización de hallazgos anormales, principalmente en términos de probabilidades condicionales que se aplicarán a la toma de decisiones bayesianas (Hosny, Parmar, & Quackenbush, 2018). Esto es crucial porque no todas las anormalidades son representativas de una enfermedad y deben ser tratadas. Los sistemas de IA aprenden caso por caso. Sin embargo, a diferencia de los sistemas CAD, que solo resaltan la presencia o ausencia de características de la imagen que se sabe que están asociadas con un estado de enfermedad, los sistemas de IA observan estructuras etiquetadas específicas y también aprenden a extraer características de la imagen, ya sean visibles o invisibles para el ojo humano Este enfoque imita la cognición analítica humana, lo que permite un mejor rendimiento que el obtenido con el antiguo software CAD (Härtel-Gründler, 2020). Con el aumento irreversible de los datos de imagen y la posibilidad de identificar hallazgos que los humanos pueden o no detectar, la radiología ahora está pasando de una habilidad de percepción subjetiva a una ciencia más objetiva. De hecho, el trabajo del radiólogo actualmente está limitado por la subjetividad, es decir, las variaciones entre los intérpretes y el efecto adverso de la fatiga. La atención a la variabilidad inter- e intra- lector y el trabajo realizado para mejorar la repetibilidad y reproducibilidad de las imágenes médicas en las últimas décadas demuestra la necesidad de resultados radiológicos reproducibles. En una perspectiva más amplia, la tendencia hacia el intercambio de datos también funciona en este caso. El punto clave es que la IA tiene el potencial de reemplazar muchas de las tareas rutinarias de detección, caracterización y cuantificación que actualmente realizan los radiólogos utilizando la capacidad cognitiva, así como para lograr la integración de la extracción de datos de registros médicos electrónicos en el proceso (Raschio, 2021). 16 2.2.2. CONJUNTOS DE DATOS Y TÉCNICAS DE PRE-PROCESAMIENTO DE IMÁGENES 2.2.2.1. Conjuntos de datos Los sistemas CAD se pueden utilizar para detectar diversas enfermedades en las radiografías de tórax. Gráfico 2 (Anexo 2) muestra los ocho tipos más comunes de enfermedades observadas en la radiografía de tórax, que son la enfermedad de infiltración, atelectasia, hipertrofia cardíaca, derrame, bultos, nódulos, neumonía y neumotórax, respectivamente. El entrenamiento, la validación, las pruebas y las comparaciones de rendimiento de los sistemas CAD requieren muchas radiografías de tórax. Dado que la creación de un gran conjunto de datos de imágenes médicas anotadas no es fácil, la mayoría de los investigadores confían en los siguientes conjuntos de datos CXR (Examen de tórax por Rx) disponibles públicamente (Quin, 2018). 2.2.3. TÉCNICAS DE PRE-PROCESAMIENTO DE IMÁGENES Los sistemas de detección asistidos por computadora toman las imágenes de entrada y primero las someten a una serie de pasos de preprocesamiento. El propósito principal de este procedimiento es mejorar la calidad de las imágenes y hacer que la región de interés (ROI) sea más obvia. Por tanto, la calidad del preprocesamiento tiene una gran influencia en el desempeño de los procedimientos posteriores. Las técnicas de preprocesamiento que se aplican frecuentemente son: mejora de imagen, segmentación de imagen y supresión ósea para aplicaciones específicas en radiografías de tórax. En esta sección se describen estas técnicas (Krizhevsky, Sutskever, & Hinton, 2017). 2.2.3.1. Mejora El contraste, las características de los bordes y el ruido en las imágenes tienen una gran influencia en la clasificación e identificación de las lesiones. Para obtener más detalles en las áreas oscuras y de bajo contraste de las imágenes de Rx de tórax, las radiografías de tórax deben mejorarse para resaltar la información estructural y suprimir el ruido. El 17 realce de las radiografías de tórax incluye el realce del contraste, la supresión del ruido, el afilado de los bordes y el filtrado (Zakirov, Kuleev, & Timoshenko, 2015). La mejora del contraste es el proceso de estirar el rango de valores de brillo en una imagen, lo que mejora el contraste general o local de la imagen y hace que la imagen sea clara. La nitidez de la imagen compensa el contorno de la imagen, mejora el borde de la imagen y la parte del salto de escala de grises, es decir, mejora la información detallada de la imagen. La supresión de ruido es el proceso de eliminación de ruido de la imagen conservando los detalles de la imagen tanto como sea posible. En el proceso de mejora de la imagen, se puede utilizar la operación de filtrado, que se puede realizar en el dominio real o en el dominio de la frecuencia. El filtrado es un operador de vecindad que usa el valor de los píxeles alrededor de un píxel dado para determinar el valor de salida final de ese píxel. En general, como paso previo al procesamiento, la mejora de la imagen puede ayudar a reducir la tasa de diagnósticos erróneos sin perder detalles de la imagen, introduciendo ruido excesivo y provocando distorsiones en los detalles (Quin, 2018). 2.2.3.2. Segmentación En las radiografías de tórax, suele ser necesario segmentar la anatomía para obtener el ROI. Debido al diferente propósito (detección de nódulos pulmonares, cardiomegalia y asimetría anormal, etc.) de las tareas en la radiografía de tórax, existen muchos estudios diferentes que se centran en la segmentación. Algunos estudios segmentan los campos pulmonares; otros detectan los contornos de los campos pulmonares o las costillas y algunos intentan detectar directamente el diafragma o el ángulo costofrénico (Krizhevsky, Sutskever, & Hinton, 2017). La segmentación del campo pulmonar es la más importante porque define con precisión las ROI de los campos pulmonares, donde se pueden buscar signos radiológicos específicos, como opacidades pulmonares, cavidades, consolidación y nódulos. Los métodos de segmentación se pueden dividir en métodos basados en el progreso de imágenes y métodos basados en el aprendizaje automático. Métodos basados en el progresode imágenes. La categoría se puede subdividir en métodos basados en reglas y métodos basados en modelos deformables. Los algoritmos basados en reglas segmentan la región pulmonar utilizando reglas basadas en la ubicación, 18 la intensidad, la textura, la forma y las relaciones con otras anatomías, incluida la creación de umbrales, la detección de bordes, el crecimiento de la región, las operaciones de morfología matemática, los métodos de comparación de modelos geométricos, etc. (Raschio, 2021). Ejemplos típicos basados en la segmentación del modelo deformable son el modelo de forma activa (ASM), el modelo de apariencia activa (AAM) y las mejoras en ambos (Quin, 2018). Métodos basados en aprendizaje automático. La categoría también se puede denominar métodos basados en píxeles. Para las radiografías de tórax, cada píxel se asigna a una estructura anatómica correspondiente, como pulmón, corazón, mediastino, diafragma, etc. El clasificador puede usar varias características, como el valor de gris del píxel, información de ubicación espacial e información estadística de textura. Hay características que se ingresan en algún clasificador, por ejemplo, un clasificador de vecino más cercano k (KNN), máquina de vectores de soporte (SVM), modelo de campo aleatorio de Márkov (MRF) o red neuronal (NN), para entrenar al clasificador. El método se puede subdividir en métodos poco profundos basados en el aprendizaje automático y métodos basados en el aprendizaje profundo (Sánchez, 2015). 2.2.3.3. Supresión ósea La supresión ósea es una técnica de preprocesamiento única en la radiografía de tórax y es un paso importante en la segmentación pulmonar y la extracción de características. Las costillas y la clavícula pueden bloquear las anomalías pulmonares, lo que complica la fase de extracción de características de un sistema CAD. Por lo tanto, existe la necesidad de eliminar las estructuras esqueléticas, especialmente las costillas posteriores y las estructuras de la clavícula, para aumentar la visibilidad de la densidad del tejido blando. Suzuki y col. (2016) y Loog et al. (2016) propusieron por primera vez la técnica de supresión ósea en 2016. Investigaciones posteriores han demostrado que el uso de técnicas de supresión ósea puede mejorar el rendimiento de la detección de nódulos pulmonares y también puede utilizarse para detectar otras anomalías. Un método para eliminar la estructura esquelética de las CXR se aplica principalmente a las imágenes de sustracción de energía dual (DES). La radiografía DES implica el uso de radiación de rayos X para tomar dos radiografías a alta y baja energía. Luego, las dos 19 radiografías se combinan utilizando un factor de ponderación específico para formar una imagen sustraída que resalta los tejidos blandos o los componentes esqueléticos. Sin embargo, el uso de esta tecnología requiere equipo especializado y solo unos pocos hospitales usan el sistema DES. Una mejor solución es detectar o eliminar automáticamente las estructuras óseas en las radiografías de tórax basándose en técnicas de procesamiento de imágenes. Suzuki y col. (2016) desarrolló un método para suprimir el contraste entre las costillas y las clavículas en una radiografía de tórax con una red neuronal artificial de entrenamiento a gran escala y multiresolución (MTANN). Restar una imagen ósea de la radiografía de tórax correspondiente produce una "imagen de tejido blando", donde la costilla y la clavícula están sustancialmente suprimidas. Nguyen y col. (2015) utilizó un análisis de componentes independientes (ICA) para separar las costillas y otras partes de las imágenes pulmonares. Los resultados mostraron que el 90% de las costillas podrían estar inhibidas total y parcialmente y el 85% de los casos aumentó la visibilidad del nódulo. Yang y col. (2017) utilizó redes neuronales de convolución profunda (ConvNets) como unidad básica de predicción y propuso un método de aprendizaje profundo eficaz para la supresión esquelética CXR convencional única. Los resultados mostraron que este método puede producir imágenes de alta calidad y resolución de huesos y tejidos blandos. Gordienko y col. (2017) detectó cáncer de pulmón utilizando un método de aprendizaje profundo, que demostró la eficacia de la técnica de supresión ósea. El estudio encontró que el conjunto de datos de pretratamiento sin huesos mostró una mejor precisión y resultados de pérdida. 2.2.4. SOFTWARE UTILIZADO Para el procesamiento de las radiografías de tórax se utilizará un software desarrollado por la empresa Lunit Inc. de Corea del Sur, llamado Lunit Insight CXR disponible para su uso clínico desde noviembre del 2019, se encuentra aprobado por la CE (Conformite Européenne) para su uso en la comunidad europea y por la FDA (Food & Drug Administration) para su uso en los EE. UU. (Acses, 2022). El software está basado en tecnología de redes neuronales convolucionales multicapa de aprendizaje profundo (Deep Learnig). Se estructura en 162 capas con 1.635.000 20 caracteres de entrada y 6.450.000 caracteres de salida. A diferencia de otros sistemas que solo detectan una característica el Lunit puede identificar 10 anomalías torácicas importantes: consolidación, neumotórax, derrame pleural, atelectasia, cardiomegalia, ensanchamiento mediastínico, nódulos, calcificación, fibrosis, y tuberculosis, con una precisión del 97 al 99% (Radiology, 2022). Las radiografías se introducen al sistema en un tamaño de 1200 x 1200 pixeles en el formato DICOM (Digital Imaging and Communications in Medicine), que es un protocolo estándar de comunicación para sistemas de información y un formato de almacenamiento de información e imágenes médicas que aparece como solución a los problemas de operabilidad entre diferentes tipos de dispositivos. Para que una imagen medica sea correctamente interpretada necesita que vaya acompañada de datos del paciente. Por eso los formatos tradicionales como él jpeg o el png no son funcionales. En el formato DICOM se cuenta con objetos IOD (Information Object Definition), que son ficheros con información de la imagen y sobre el paciente, el estudio en el que se encuadra la toma de la imagen, la serie a la que pertenece la imagen e información sobre propiedades y características de la propia imagen. Además, cuenta con objetos DIMSE (DICOM Mensaje Service Element), son ficheros con las operaciones que pueden realizarse sobre una imagen y sus elementos. Otra característica de DICOM es permitir la identificación univoca de imágenes por que cada fichero cuenta con un UID (Unique Identification Number). Por estas características es reconocido mundialmente para el manejo, almacenamiento, impresión y transmisión de imágenes médicas. Lunit Insight CXR Permite el análisis de Rx de pacientes a partir de 14 años, en proyección AP o PA, con una velocidad de procesamiento de 3 a 10 segundos por imagen, los resultados del análisis se presentan en la misma imagen de Rx del tórax, proporcionando la información de ubicación de las imágenes anormales en forma de mapa de patrones de grises o mapas de color, una puntuación o score de anomalidad, que indica la probabilidad de la presencia de los hallazgos detectados (Gráfico 2 y 3). El software además genera un informe del caso que resume la evaluación por cada hallazgo o de cada caso, realizados mediante IA. La imagen resultante del análisis es generada en el mismo formato DICOM para ser almacenada en la nube, imprimirla o compartirla. 21 2.2.5. FUNDAMENTACIÓN LEGAL La investigación fue sometida a la revisión del Comité de Ética de la Universidad de Guayaquil, encaminada a garantizar el ajuste de los aspectos éticos, metodológicos y jurídicos del estudio. Se toma este mecanismo formal de control y garantía del correcto desarrollo de las investigaciones biomédicas,habilitado legalmente con la intención de precautelar los derechos de los individuos comprometidos en dicho entorno. Los datos derivados del estudio serán utilizados con fines académicos y científicos, además de guardar el anonimato el nombre de los participantes. 2.3. REFERENTES EMPÍRICOS Cabezas (2019) realizó un trabajo en la Universidad Técnica de Ambato Ecuador sobre “Reconocimiento de patrones de imágenes médicas para establecer diagnósticos previos en trastornos pulmonares”. El estudio desarrolla un sistema que facilita hacer diagnóstico previo en problemas pulmonares. El método usado se basó en la adquisición de imágenes de rayos x de tórax con alto kilo voltaje, las mismas que deben almacenarse en un computador de preferencia en formato JPG, las cuales al ser ingresadas al sistema desarrollado son pre procesadas estandarizándolas para su manejo, procesadas y segmentadas por medio de técnicas de visión artificial y programación que permitan abstraer la información de relevancia que en este caso son los nódulos, quistes y calcificaciones presentes con sus respectivos diámetros para poder contabilizarlos y emitir un resultado que puede servir para el médico y para el paciente en forma previa el que se detallan también antecedentes médicos que en el caso de enfermedades de tipo pulmonar son muy importantes de considerar para el diagnóstico y posterior tratamiento, recalcando que no debe reemplazar de ninguna forma el criterio del médico experto en el tema. Para la construcción del sistema se ha empleado software libre con librerías especializadas en visión artificial y manejo de imágenes, tanto por el costo como por la facilidad de manipulación, documentación y escalabilidad en un futuro lo que permitirá seguir trabajando y mejorando el tema, además de tener una codificación sencilla para un programador que facilite realizar modificaciones. El sistema una vez desarrollado se ha 22 sometido a suficientes pruebas que permitan determinar en una radiografía de tórax en un paciente la cantidad de nódulos, quistes y calcificaciones presentes emitiendo resultados en un reporte las mismas que se han contrastado con el criterio médico especializado para poder corregir errores principalmente en la parte médica y determinar su grado de confianza, con lo cual se ha demostrado la validez del sistema además de la funcionalidad y asertividad en la visualización de los resultados que se obtienen (Cabezas, 2019). La Inteligencia Artificial para apoyo diagnóstico y procesos de atención en radiología y Tele-Radiología Clínica fue estudiado en la Universidad de Chile. En el análisis de imágenes de radiografía (Rx) y tomografía computarizada (TC) de tórax los modelos de Inteligencia Artificial (IA) han demostrado rendimientos similares a radiólogos especialistas. Sin embargo, su confiabilidad en la práctica clínica requiere validación externa para el beneficio del manejo clínico de pacientes COVID-19 a nivel nacional. Esta propuesta provee soluciones IA validadas para optimizar la gestión de la presión asistencial a través del apoyo automatizado de reportes radiológicos, y la predicción de eventos clínicos adversos mediante el análisis híbrido de hallazgos imagenológicos con datos clínicos multidimensionales (Härtel-Gründler, 2020). El éxito e impacto a gran escala requiere repositorios colaborativos, abiertos y pseudo- anonimizados, equipos multidisciplinarios (salud-ingeniería -informática médica) en la interfaz tecnológico-asistencial, capacidades de escalamiento de prototipos a la práctica clínica a través de aceleradores de innovación en salud a nivel internacional. La propuesta se vincula con el Capítulo Chileno de HL7-FHIR, el Centro de Informática Médica y Telemedicina (CIMT) y el Servicio de Radiología y Tele-Radiología del Hospital Clínico (U-Chile), la Unidad de Data Science (UdeC) y el Centro Nacional en Sistemas de Salud (CENS), formado por cinco Universidades y asociados públicos y privados (Härtel- Gründler, 2020). En la Universidad de Extremadura España se estudió “La Inteligencia Artificial en Radiología”. A lo largo de los últimos años se ha presenciado el auge de una tecnología que está cambiando la manera de entender el mundo, la inteligencia artificial. El desarrollo de esta tecnología está provocando cambios gracias a su capacidad de aprender en base a la información que se le aporta al sistema, dotándole de capacidad de procesado 23 de lenguaje natural, reconocimiento de voz, y reconocimiento de patrones de imagen (Marín & Lucini, 2021). Es aportando visión a los ordenadores donde las redes convolucionales juegan un rol principal, y su desarrollo ha ido ligado a la creación de modelos centrados en la mejora y automatización del diagnóstico por imagen, principal característica de la radiología. Esto a su vez deriva en problemas de la utilización de estos programas, relacionados con el uso masivo de datos de pacientes, los posibles sesgos que se pueden derivar de un incorrecto entrenamiento de los modelos de Deep Learning, o el problema de la “caja negra” de los sistemas basados en redes neuronales, es por ello por lo que para el desarrollo de una inteligencia artificial fiable ha sido necesaria una regulación tanto ética como un soporte legal que viene de la mano de la Unión Europea (Marín & Lucini, 2021). La inteligencia artificial ha venido para quedarse, y con ella va a cambiar el modelo de trabajo que actualmente conocemos en radiología. Al liberar al radiólogo del reconocimiento de patrones, le permitiremos un mayor desarrollo en áreas que antes no podían cubrir debido a la gran carga de trabajo que soportan, lo que se traduce en una mejor relación médico-paciente y, finalmente, un sistema asistencial más humano (Marín & Lucini, 2021). Evaluar si un algoritmo de inteligencia artificial (IA) novedoso puede ayudar a detectar nódulos pulmonares en radiografías en diferentes niveles de dificultad de detección. Este estudio de diagnóstico incluyó 100 imágenes de radiografías de tórax postero anterior tomadas entre 2000 y 2010 de pacientes adultos de un centro de atención médica ambulatoria en Alemania y una base de datos de imágenes pulmonares en los EE. UU. Las imágenes incluidas se seleccionaron para representar nódulos con diferentes niveles de dificultad de detección (de fácil a difícil) y comprendían tanto el control normal como el anormal. Todas las imágenes se procesaron con un nuevo algoritmo de IA, la radiografía de tórax AI Rad Companion. Dos radiólogos torácicos establecieron la verdad del terreno y nueve radiólogos de prueba de Alemania y los EE. UU. Revisaron de forma independiente todas las imágenes en 2 sesiones (sin ayuda y en modo asistido por IA) con al menos un período de lavado de 1 mes. Cada radiólogo de prueba registró la presencia de 5 hallazgos (nódulos pulmonares, atelectasia, consolidación, neumotórax y derrame pleural) y su nivel de confianza para detectar el hallazgo individual en una escala del 1 al 24 10 (1 representa la confianza más baja; 10, máxima confianza) (Fatemeh, Subba, & Shadi, 2021). Las métricas analizadas para nódulos incluyeron sensibilidad, especificidad, precisión y características operativas del receptor, área de la curva bajo la curva (AUC). Se incluyeron imágenes de 100 pacientes, con una edad media (DE) de 55 (20) años e incluyendo 64 hombres y 36 mujeres. La precisión de detección media en los 9 radiólogos mejoró en un 6,4% (IC del 95%, 2,3% a 10,6%) con la interpretación asistida por IA en comparación con la interpretación sin ayuda. Las AUC parciales dentro del rango de intervalo efectivo de 0 a 0,2 tasa de falsos positivos mejoraron en un 5,6% (IC del 95%, -1,4% a 12,0%) con la interpretación asistida por IA (Fatemeh, Subba, & Shadi, 2021). Los radiólogos jóvenes vieron una mayor mejora enla sensibilidad para la detección de nódulos con la interpretación asistida por IA en comparación con sus contrapartes mayores (12%; IC del 95%, 4% a 19% frente al 9%; IC del 95%, 1% a 17%) mientras Los radiólogos experimentaron una mejora similar en la especificidad (4%; IC del 95%, -2% a 9%) en comparación con los radiólogos principiantes (4%; IC del 95%, -3% a 5%). Concluyendo que, en este estudio de diagnóstico, un algoritmo de IA se asoció con una mejor detección de nódulos pulmonares en radiografías de tórax en comparación con la interpretación sin ayuda para diferentes niveles de dificultad de detección y para lectores con diferentes experiencias (Fatemeh, Subba, & Shadi, 2021). Los algoritmos de inteligencia artificial han presentado un gran avance en las tareas relacionadas al reconocimiento de imágenes, siendo capaces de identificar patrones complejos y proporcionando una evaluación cuantitativa. Este trabajo consistió en el diseño de dos nuevos modelos originales desarrollados con la modalidad de Deep Learning, el primero capaz de clasificar estructuras de la región torácica y la presencia de cardiomegalia, el segundo permite segmentar arcos costales posteriores de forma autónoma en radiografías de tórax postero anterior. Los resultados obtenidos demostraron una exactitud del 100% para el primer modelo en la clasificación de estructuras torácicas, mientras que para la identificación de cardiomegalia la exactitud fue de 99.2 ± 0.8%. El segundo modelo de segmentación autónoma tiene una exactitud del 93 ± 29.0%. A partir de estos resultados y con el desarrollo actual de Deep Learning basado en la clasificación y localización consideramos que esta herramienta permitirá en el futuro automatizar 25 algunos procesos que facilitarán la tarea de todos quienes se relacionan al diagnóstico por imágenes (Raschio, 2021). Arrieta, Caratt y Torres (2021) En la Universidad del Norte Barranquilla el trabajo “Validez de la radiografía de tórax frente al TAC en el diagnóstico de adultos con sospecha de neumonía adquirida en la comunidad ingresados al Hospital Universidad del Norte entre 2018-2019”. Con el objetivo de determinar la validez de la radiografía de tórax frente al TAC tórax en el diagnóstico de adultos con sospecha de neumonía adquirida en la comunidad en el servicio de urgencias del Hospital Universidad del Norte en el periodo 2018-2019. Se desarrolló un estudio descriptivo transversal de pruebas diagnósticas, el cual se realizó en el Hospital Universidad del Norte. El universo de estudio está conformado por los adultos con sospecha de neumonía adquirida en la comunidad en la región caribe que ingresaron a los destinos servicio de del hospital universidad del norte del año 2018-2019 (Arrienta, 2021). La muestra tuvo un total de 50 pacientes, con un rango de edad entre 18-90 años, se encontró una edad promedio de 62,4 años con una deviación estándar de 18,4, el sexo masculino fue más prevalente con un 56%, el grupo de edad más frecuente fue el de 60- 69 años, el patrón radiológico que más se encontró fue el focal, en la evaluación de las radiografías de tórax el hallazgo más prevalente fue el de consolidaciones mientras que el menos encontrado cavitaciones, este patrón de repite en el TAC, primó la bacteriana, en la evaluación de la escala CURB65, los pacientes mayoritariamente fueron clasificados en la categoría I, y el menor grupo encontrado CURB65 categoría III, en cuanto enfermedades concomitantes las cardiopatías fueron las que más se presentaron en los pacientes, seguido por DM II, EPOC, ASMA , en el sexo femenino y masculino el patrón radiográfico y de tomografía más frecuente fue la consolidación, se encontró mayor severidad en la clasificación CURB65 en el sexo masculino, el tratamiento no cambió al realizar las dos pruebas en el 96% de los casos, se encontró una sensibilidad de la radiografía para cavitaciones de un 25% (IC 95% = 0-79 ), especificidad del 100% (IC 95% =98-100), para consolidaciones una sensibilidad del 84% (IC 95% = 70-98 ) y especificidad 66% (IC95% =42-91), en vidrio esmerilado se encontró una sensibilidad del 75% (IC95% =53-96), y una especificidad del 90% (IC95%=98-100) (Arrienta, 2021). 26 La neumonía adquirida en comunidad sigue siendo una situación importante de salud pública que si bien afecta a todos los grupos etarios los que se ven más comprometidos son el grupo de 60-69 años en los cuales se encontró que las comorbilidades más preponderantes son las cardiopatías y la diabetes mellitus tipo 2, la etiología más común encontrada por un amplio margen fue la bacteriana sin discriminar por sexo o edad, el patrón radiológico predominante en ambos grupos fue el patrón focal. La inteligencia artificial (IA) ha desempeñado un papel importante en el análisis de imágenes y la extracción de características, aplicado para detectar y diagnosticar una amplia gama de enfermedades relacionadas con el tórax. Aunque varios investigadores han utilizado enfoques actuales de vanguardia y han producido resultados clínicos impresionantes relacionados con el tórax, es posible que las técnicas específicas no aporten muchas ventajas si se detecta un tipo de enfermedad sin identificar el resto. Aquellos que intentaron identificar múltiples enfermedades relacionadas con el tórax fueron ineficaces debido a la insuficiencia de datos y al hecho de que los datos disponibles no estaban equilibrados (Saleh, Hafiz, & Rauf, 2021). Esta investigación proporciona una contribución significativa a la industria de la salud y a la comunidad de investigación al proponer un aumento de datos sintéticos en tres arquitecturas profundas de redes neuronales convolucionales (CNN) para la detección de 14 enfermedades relacionadas con el tórax. Los modelos empleados son DenseNet121, InceptionResNetV2 y ResNet152V2; después del entrenamiento y la validación, se obtuvo una puntuación media de ROC-AUC de 0,80 competitiva en comparación con los modelos anteriores que fueron entrenados para la clasificación multiclase para detectar anomalías en las imágenes de rayos X. Esta investigación ilustra cómo el modelo propuesto practica redes neuronales profundas de última generación para clasificar 14 enfermedades relacionadas con el tórax con mayor precisión (Saleh, Hafiz, & Rauf, 2021). En este estudio, se desarrolló un modelo de IA basado en algoritmos de aprendizaje profundo que utiliza la red ResUNet para evaluar el desempeño de los radiólogos con y sin asistencia de IA para distinguir a los pacientes con neumonía infectados con COVID- 19 de otras infecciones pulmonares en tomografías computarizadas. Para el desarrollo y 27 la validación del modelo, se recopiló retrospectivamente un número total de 694 casos con 111 066 portaobjetos de TC como datos de entrenamiento y datos de prueba independientes en el estudio. Entre ellos, 118 son casos confirmados de neumonía infectada por COVID-19 y 576 son otros casos de infección pulmonar (por ejemplo, casos de tuberculosis, casos de neumonía común y casos de neumonía viral no relacionada con COVID-19) (Yanhong & Fleming, 2021). Los casos se dividieron en conjuntos de datos de entrenamiento y prueba. La prueba independiente se realizó evaluando y comparando el desempeño de tres radiólogos con diferentes años de experiencia práctica en la distinción de casos de neumonía infectados con COVID-19 con y sin asistencia de IA. Nuestro modelo final logró una precisión de prueba general de 0,914 con un área de la curva característica operativa del receptor (ROC) (AUC) de 0,903 en la que la sensibilidad y la especificidad son 0,918 y 0,909, respectivamente. Luego, el modelo basado en el aprendizaje profundo logró un desempeño comparable al mejorar el desempeño de los radiólogos para distinguir el COVOD-19 de otras infecciones pulmonares, lo que arrojó