Identifican cambios en el tejido pulmonar de los fumadores que preceden a la enfermedad mediante análisis de datos

Imagen*
CIBER | martes, 2 de junio de 2020

La exposición al humo del tabaco se asocia con una variedad de efectos sobre el tejido funcional del pulmón que conducen al desarrollo de diversas enfermedades pulmonares. Algunas de estas enfermedades, como la fibrosis pulmonar idiopática, presentan una alta mortalidad y los tratamientos disponibles para abordarlas retrasan, pero no revierten, la patología. Por ello, detectar los cambios tempranos en el tejido pulmonar antes de que progrese la enfermedad es un reto clave.

Investigadores del CIBER-BBN en la Universidad Politécnica de Madrid (UPM) han dado un paso adelante en este camino, al proponer un nuevo método de análisis de datos que permite detectar con gran precisión anomalías sutiles en el tejido funcional del pulmón, llamado parénquima pulmonar, a partir de un TAC.

Este nuevo método de inteligencia artificial, basado en el aprendizaje profundo (deep learning) aplicado al análisis de imágenes de TAC, permite identificar y clasificar cambios radiográficos que preceden al desarrollo de la enfermedad pulmonar con mucha más precisión que otros métodos anteriores y ha demostrado también su capacidad de generalización para aplicarse a grandes cohortes de pacientes para diagnosticar las enfermedades pulmonares intersticiales en una fase temprana.

El rendimiento de este método incluyó una sensibilidad promedio superior al 91% y una especificidad promedio del 98%. “Esto implica que éste es un método potencialmente viable para identificar patrones radiográficos que anticipan la enfermedad intersticial pulmonar, y para aplicarse al diagnóstico automático de grandes grupos de pacientes”, destaca David Bermejo-Peláez, investigador del CIBER-BBN y primer firmante de este trabajo.

El estudio se ha publicado en la revista científica Scientific Reports.

Detección precoz de la enfermedad pulmonar intersticial

Las enfermedades intersticiales pulmonares (ILD) son un grupo heterogéneo de más de 200 trastornos del pulmón que afectan en gran medida el parénquima pulmonar y que también pueden presentar manifestaciones vasculares o de las vías respiratorias. Algunas de estas patologías, entre las que se encuentra la fibrosis pulmonar idiopática, pueden estar precedidas de hallazgos radiográficos tempranos (anormalidades pulmonares intersticiales), que pueden detectarse en un TAC. Hasta el momento, se habían propuesto varios métodos avanzados para la identificación automática de la enfermedad pulmonar intersticial, pero ninguno centrado en la detección de estos primeros cambios sutiles que afectan al parénquima. El grupo de investigación del CIBER-BBN y la UPM, en estrecha colaboración con el Applied Chest Imaging Laboratory en Brigham and Women’s Hosptial (Boston), se centró en la búsqueda de un método viable basado en el análisis de datos para identificar estos patrones radiográficos que preceden el desarrollo de estas enfermedades.

Análisis de datos de imagen

“En este trabajo aportamos el primer método basado en deep learning para identificar y clasificar patrones radiográficos de enfermedad pulmonar intersticial en etapas tempranas en imágenes de tomografía computarizadas, considerando ocho clases radiográficas de tejido pulmonar”, explica María Jesús Ledesma, investigadora del CIBER-BBN y última firmante del trabajo.

Los científicos propusieron una nueva metodología para detectar y clasificar de manera automática estos patrones, basada en un conjunto de redes neuronales convolucionales profundas e incorporando arquitecturas de 2D, 2,5D y 3D. Este tipo de redes neuronales artificiales, que tratan de imitar el comportamiento del cerebro humano a la hora de aprender y extraer características de forma jerárquica al igual que lo hace la corteza visual del cerebro, son muy efectivas para tareas de visión artificial y en la clasificación y segmentación de imágenes y han mostrado su capacidad para resolver problemas de clasificación de imágenes utilizando modelos jerárquicos que ordenan millones de parámetros a partir de un aprendizaje basado en grandes bases de datos.

Para entrenar y probar el sistema, los investigadores utilizaron un total de 37.424 muestras de tejido radiográfico correspondientes a ocho clases distintas de características del tejido pulmonar de 208 tomografías computarizadas.

Según subrayan los investigadores, “son necesarios nuevos diseños e investigaciones “que permitan abordar la identificación de estos cambios precoces en el parénquima pulmonar”.

Los datos que se han usado en este estudio provienen del estudio COPDGene.

Por último, cabe destacar que esta tecnología ha servido de base para un nuevo desarrollo que permite la cuantificación de lesiones pulmonares debidas a la enfermedad COVID-19. Estas nuevas tecnologías están actualmente siendo evaluadas en el marco de un estudio multicéntrico (PREDICT-COVID19) en colaboración con el Hospital Universitario La Paz, Hospital Universitario Fundación Jiménez Díaz, la Clínica Universidad de Navarra, el Hospital Clínic de Barcelona, la empresa Spotlab y el ya mencionado Applied Chest Imaging Laboratory del Brigham and Women’s Hospital, Harvard Medical School.

*Imagen: 

Identificación automática de diferentes tipos de tejido pulmonar que anticipan la aparición de la enfermedad intersticial pulmonar a partir de un TAC de una persona fumadora. En verde se presenta el tejido sano, mientras que los otros colores representan anormalidades interstitciales leves

Artículo de referencia:

David Bermejo-Peláez, Samuel Y. Ash, George R. Washko, Raúl San José Estépar and María J. Ledesma-Carbayo. Classification of Interstitial Lung Abnormality Patterns with an Ensemble of Deep Convolutional Neural Networks. Sci Rep. 2020; 10: 338. Published online 2020 Jan 15. doi: 10.1038/s41598-019-56989-5

Ciberbbn