Inteligencia artificial para detectar la tuberculosis infantil

La tuberculosis en niños representa un desafío diagnóstico, ya que los síntomas suelen ser inespecíficos y las alteraciones radiológicas tienden a ser más sutiles y variables en comparación con los adultos. Para afrontar estas dificultades, unos científicos han desarrollado un sistema de inteligencia artificial capaz de ayudar a detectar signos radiológicos compatibles con tuberculosis pulmonar en radiografías de tórax pediátricas.

El logro es obra de investigadores de la Universidad Politécnica de Madrid (UPM) y del Centro de Investigación Biomédica en Red de Bioingeniería, Biomateriales y Nanomedicina (CIBERBBN), en España en colaboración con el Instituto de Salud Global de Barcelona (ISGlobal), la Red Española de Estudio de Tuberculosis Pediátrica, el Centro de Investigación Biomédica en Red de Enfermedades Infecciosas (CIBERINFEC), en España, y el Hospital Pediátrico Nacional en Washington D.C., Estados Unidos, entre otras entidades.

El sistema integra radiografías de tórax frontales y, cuando están disponibles, también radiografías laterales. Este sistema ha sido optimizado para mejorar su eficiencia, y entrenado y validado con datos provenientes de diversos hospitales y contextos epidemiológicos.

Este trabajo de investigación y desarrollo es la primera ocasión en que se evalúa de forma sistemática el valor de las radiografías laterales en este contexto y la primera vez en que se comparan modelos específicos por edad frente a modelos generales entrenados con todas las edades.

Mapas de activación generados mediante técnicas de explicabilidad que señalan las regiones de interés utilizadas por el modelo de inteligencia artificial para tomar sus decisiones sobre las radiografías. (Imagen: equipo de investigación / UPM)

Daniel Capellán Martín, primer autor e investigador de la UPM, afirma: “Hemos diseñado esta herramienta de tal forma que sea extremadamente eficiente sin perder precisión ni rendimiento, con el objetivo de que pueda integrarse incluso en dispositivos móviles y así acercar el diagnóstico de la tuberculosis a zonas rurales con alta incidencia de la enfermedad, donde los recursos y el acceso a radiólogos especializados son muy limitados”. Juan José Gómez Valverde, segundo autor del estudio y profesor de la UPM, añade: “El preentrenamiento en datos adultos permite aprovechar conjuntos mucho más amplios y diversos, lo que facilita que el modelo aprenda características robustas que después pueden adaptarse al contexto pediátrico”.

El trabajo aporta tres contribuciones clave. Primero, demuestra que el preentrenamiento de modelos de inteligencia artificial en grandes colecciones de radiografías de adultos mejora el rendimiento cuando estos modelos se afinan con datos pediátricos. Segundo, pone de relieve la utilidad de las radiografías laterales, que ofrecen información complementaria especialmente valiosa en lactantes y niños pequeños, donde la vista frontal puede ser insuficiente. Tercero, muestra que los modelos específicos por edad superan a los modelos entrenados con todas las edades, debido a las diferencias en el desarrollo y la presentación clínica de la enfermedad entre diferentes grupos etarios.

Elisa López Varela, investigadora en el ISGlobal durante el estudio, subraya: “Las vistas laterales complementan a la frontal y son especialmente valiosas en lactantes y niños pequeños, ya que ayudan a identificar hallazgos que podrían pasar desapercibidos cuando solo se cuenta con una proyección”.

“Esta solución no pretende sustituir al radiólogo ni al médico, sino servir como herramienta de apoyo: puede ayudar a priorizar estudios, orientar decisiones de cribado y facilitar la detección temprana en entornos con escasos recursos”, comenta Begoña Santiago García, coordinadora de la Red Española de Estudio de Tuberculosis Pediátrica y pediatra en el Hospital General Universitario Gregorio Marañón de Madrid. “El uso de vistas laterales y la adaptación por grupos de edad podrían aumentar la sensibilidad diagnóstica en poblaciones pediátricas, especialmente en lactantes y niños pequeños, donde el diagnóstico resulta más complejo”.

Además de los resultados cuantitativos, el equipo incorporó técnicas de inteligencia artificial explicable que generan mapas visuales señalando las zonas de la radiografía que influyeron en cada decisión. Estas representaciones facilitan la revisión clínica de las predicciones y aumentan la confianza en el uso asistido por inteligencia artificial.

Los autores del trabajo de investigación y desarrollo destacan la necesidad de validaciones clínicas adicionales y estudios de implementación en entornos reales, especialmente en centros con recursos limitados, para evaluar su impacto en el flujo de trabajo, la precisión diagnóstica y la aceptación entre los profesionales. También destacan la importancia de estudiar la integración con sistemas de telemedicina y programas de cribado en áreas endémicas, así como su rendimiento en distintos entornos de atención sanitaria.

María Jesús Ledesma Carbayo, supervisora técnica del trabajo y catedrática de la UPM, concluye: “Nuestro objetivo es que esta tecnología se adapte a las necesidades locales y se implemente de forma responsable, complementando la labor clínica y contribuyendo a mejorar el acceso al diagnóstico en poblaciones vulnerables”.

El estudio se titula “Multi-view deep learning framework for the detection of chest X-rays compatible with pediatric pulmonary tuberculosis”. Y se ha publicado en la revista académica Nature Communications. (Fuente: UPM)