Machine Learning para llevar los exámenes radiológicos al siguiente nivel

12 agosto
Alexander Khmil
Machine Learning para llevar los exámenes radiológicos al siguiente nivel
Por Alexander Khmil, consultor de soluciones MedTech en DataArt, experto en imágenes 3D

¿Es posible revelar la información 3D oculta en imágenes que fueron tomadas convencionalmente, con rayos X 2D? Ahora sí y este hallazgo es muy importante: permite a los profesionales de la salud trabajar con exámenes más simples y obtener resultados comparables con los de la tomografía computada, pero de forma más accesible y a un menor costo.

La imagen de rayos X se utilizó por primera vez en medicina a finales del siglo XIX y condujo de inmediato a un aumento significativo en el potencial de diagnóstico. Fue realmente un gran avance en el desarrollo de la investigación médica no invasiva. Más de 70 años después, la humanidad alcanzó el siguiente progreso fundamental en el diagnóstico por imágenes con la introducción de la tomografía computada (TC). Esta nueva tecnología hizo posible acceder a una nueva dimensión en diagnóstico. Para hacerlo simple, las imágenes 2D se expandieron hacia un modelo 3D completamente volumétrico de cada parte del cuerpo humano. 

Si comparamos las dos tecnologías, vemos claramente que las imágenes de rayos X es más utilizada y accesible que la costosa y compleja TC, como muestra el siguiente gráfico: 

Mercado global de equipos médicos para diagnóstico por imagen. 
Ingresos 2016 - 2020 (millones de dólares)

Sin embargo, al mismo tiempo, las imágenes de rayos X convencionales no pueden proporcionar los datos 3D que ofrece la TC. ¿Pero es ese el caso realmente? De hecho, los rayos X contienen todos los datos necesarios; solo han perdido una de sus dimensiones. La imagen es una proyección de un objeto 3D en un plano 2D y, al introducir más rayos X tomados desde diferentes ángulos, así como mediante el uso de algoritmos avanzados, es posible recuperar la dimensión perdida.

 

EL MÉTODO

Así es como funciona:  imaginemos que estamos ante una fractura de cadera. Para ello, hacemos dos imágenes de rayos X: una de frente y otra de costado. Luego usamos un proceso llamado "estereogrametría", que es similar a la más popularizada “fotogrametría” (utilizada en juegos de computadora, producción de películas y sistemas de navegación avanzados). Pero la aplicación de este proceso no es suficiente para reconstruir datos volumétricos médicos. Para que funcione, necesitamos impulsar el proceso con algunos algoritmos especiales de matemáticas y Machine Learning. Como resultado, obtenemos una representación visual de la forma más probable de los huesos de la cadera. 

El resultado de dicho estudio de imágenes médicas se denomina "modelo probabilístico de volumen" y funciona extrapolando datos incompletos. Esto nos muestra algunas características óseas que son suficientes para un determinado tipo de diagnóstico. Por ejemplo, podemos detectar la ubicación de pequeños tumores o simplemente determinar qué tan grave es una fractura ósea.

Modelos volumétricos probables de la articulación de la cadera

El proceso no es tan complicado como parece. El algoritmo es algo similar a lo que ocurre en la cabeza de un ortopedista que analiza radiografías e intenta determinar el estado general de la zona que se examina. El método en cuestión utiliza el aprendizaje automático para realizar esta compleja tarea y mostrar los resultados de la manera más confiable.

BENEFICIOS

El método que hemos descrito sirve para ampliar el potencial diagnóstico de la radiografía. Una de las ventajas obvias es, por supuesto, la disponibilidad de más personas para realizar diagnósticos de calidad: los médicos que solo tengan acceso a rayos X estándar, podrán realizar cirugías utilizando datos tridimensionales. Al mismo tiempo, se espera que la tecnología proporcione resultados de diagnóstico comparables a los de la tomografía computada. 

Dado que la radiografía es mucho más barata que la TC, se puede concluir que los costes de diagnóstico se reducirán significativamente. 

Finalmente, si podemos utilizar la radiografía en lugar de la tomografía computada en casos clínicos específicos, los pacientes estarán expuestos a menos radiación, que ahora es uno de los problemas más graves asociados a este tipo de imágenes.

¿REEMPLAZARÁ LA NUEVA TECNOLOGÍA A LA TOMOGRAFÍA COMPUTADA?

A primera vista, el método parece estar diseñado para reemplazar la TC con imágenes de rayos X convencionales. Sin embargo, eso no es verdad. Debido a los diferentes enfoques para el procesamiento de datos, la estereometría basada en IA y la tomografía computada convencional se utilizan para diferentes tipos de procedimientos de imagen. Por lo tanto, el objetivo no es reemplazar, sino más bien aumentar el potencial de la radiografía, haciéndola más precisa y efectiva para los profesionales médicos.