PG-IMAGEN-56-AUCANCELA PINCAY ANGEL DAVID

•

SIN SIGLA

Carlos Lopez

23/1/2024

¡Este material tiene más páginas!

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.

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

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

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

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.

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

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).

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.

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).

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).

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

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).

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).

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.

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