Actualmente, con los test rápidos de antígenos y las PCR, el personal sanitario tiene unas muy buenas herramientas para diagnosticar la COVID-19, siempre y cuando el virus SARS-CoV-2 esté en el interior del organismo del paciente. Sin embargo, estas pruebas diagnósticas tienen algunos inconvenientes, entre los que se encuentran los siguientes: primero, cuando los pacientes sufren neumonía como consecuencia de la COVID-19, estas pruebas no brindan información sobre la extensión y la gravedad de la infección pulmonar, y segundo, una vez que el virus es eliminado por el sistema inmunológico, ambas pruebas darán negativas, incluso si el paciente padece la denominada COVID persistente y está todavía afectado por la neumonía, una condición que puede extenderse durante semanas.

Por lo tanto, para obtener una perspectiva más completa de la gravedad de la enfermedad, los médicos deben utilizar técnicas de imagen como la tomografía axial computarizada (TAC) para visualizar el estado de los pulmones del paciente. Pero, a pesar del aumento en la precisión de los diagnósticos en la detección de la COVID-19 mediante el uso de imágenes de TAC, el tiempo de análisis de las imágenes requerido para interpretar los volúmenes de los TAC en 3D y extraer las propiedades morfológicas de la lesión puede aumentar sustancialmente la carga de trabajo de los radiólogos. Es por ello necesario desarrollar herramientas computacionales que permitan realizar dichos análisis en un tiempo razonable y compatible con la práctica clínica.

El papel de la Visión por Computador en el diagnóstico de la COVID-19

La visión por computador es una rama de la Inteligencia Artificial, que consiste en desarrollar herramientas computacionales para adquirir, procesar, analizar y comprender las imágenes del mundo real con el fin de producir información que pueda ser tratada de manera automatizada por un ordenador, siendo la imagen médica uno de los campos donde más se utiliza, ya que puede ayudar a reducir sensiblemente el tiempo de análisis e interpretación de las imágenes y ayudar al personal médico a hacer diagnósticos más precisos en intervalos de tiempo menores, algo de vital información en el caso de la COVID-19, que por momentos estuvo a punto de colapsar los servicios hospitalarios y de urgencias de España y el resto del mundo .

Por ello, investigadores del Centro de Visión por Computador (CVC), la Universidad de Barcelona (UB) y Eurecat – Centro Tecnológico de Cataluña, han desarrollado, utilizando estrategias de aprendizaje profundo o Deep Learning, un método automatizado para la detección y diagnóstico de la COVID-19 mediante el análisis de imágenes de TACs de tórax, en dónde estudiaron las áreas de mayor atenuación debidas al desplazamiento del aire por la presencia de líquido, al colapso de las vías respiratorias, la presencia de fibrosis otras solidificaciones dentro de los pulmones. Los muy prometedores resultados de este estudio han sido publicados a finales de agosto en la revista Computers in Biology and Medicine.

El procedimiento utilizado fue el siguiente: en primer lugar, el método desarrollado segmenta las TAC del tórax e identifica las regiones de las imágenes en las que se encuentran los pulmones para reducir el área de análisis en donde, posteriormente, se aplicará el algoritmo con el fin de detectar la presencia de neumonía provocada por el SARS-CoV-2 y, en caso de un hallazgo positivo, la imagen del TAC se procesará para identificar las áreas afectadas por la enfermedad. “En una TAC del tórax no aparecen solo los pulmones, aparecen otras estructuras, como las costillas, y órganos, como el corazón, que no son de interés cuando queremos estudiar la presencia de infección pulmonar por COVID-19. Por lo tanto, lo que nuestro método hace es identificar las regiones en donde aparece el pulmón, obviando todo lo demás, con lo cual el área que el algoritmo tiene que estudiar para determinar si hay infección por COVID-19 es menor, lo que permite que el análisis se haga de una manera más rápida y eficiente”, explicó para Univadis España, la Dra. Petia Radeva, investigadora del CVC y de la UAB y coordinadora de este estudio.

Resultados y conclusiones

Antes de poder utilizar este algoritmo en pacientes, fue necesario probarlo con TACs adquiridos durante el año y medio de pandemia. Para ello, los investigadores utilizaron 110 cortes de TACs y 79 volúmenes de TACs en los que se había detectado, por otras técnicas, infección por COVID-19 extraídos de tres repositorios de imágenes de acceso libre

Los resultados obtenidos mostraron una precisión promedio para la identificación de lesiones provocadas por el SARS-CoV-2 del 98,.7 %, no detectándose ningún falso positivo.

La robustez y la precisión de este trabajo abren una amplia gama de otras posibles aplicaciones de este método más allá de la COVID-19. Por ejemplo, “la red propuesta podría adaptarse, mediante un ajuste fino, para estudiar los casos graves de neumonía no-COVID, metástasis difusa u otras enfermedades pulmonares. Además, esta metodología también podría aplicarse para detectar y segmentar una gran variedad de órganos en otros campos del análisis de imágenes médicas”, razonó para Univadis España, Giuseppe Pezzano, investigador de Eurecat y la UB, primer autor del artículo. “Pero esto no quiere decir, bajo ningún concepto, que nuestro método podrá ser capaz en el futuro de detectar y diagnosticar por sí mismo enfermedades. Nuestro algoritmo, aspira a ser una herramienta de apoyo al personal médico para hacerle más fácil su labor y permitirles hacer diagnósticos más rápidos y precios, pero nunca eliminará al experto clínico”, concluyó para Univadis España el Dr. Vincent Rivas, investigador de Eurecat participante en el estudio.

Este trabajo fue financiado por la Generalitat de Cataluña a través del programa ACCIÓ-Eurecat, TIN2018-095232-B-C21, SGR-2017 1742, y el proyecto Greenhabit financiado por el programa EIT Digital. Ninguno de los autores declaró tener conflictos de interés.

• Referencias

Giuseppe Pezzano, Oliver Díaz, Vicent Ribas y Cols. CoLe-CNN+: Context learning – Convolutional neural network for COVID-19-Ground-Glass-Opacities detection and segmentation. Computers in Biology and Medicine, September 2021. doi.org/10.1016/j.compbiomed.2021.104689. PMID: 34364263