Armonización de radiografías de tórax para su uso en Inteligencia Artificial

Resumen

Introducción: El análisis de radiografías mediante inteligencia artificial (IA) puede convertirse en una herramienta muy útil. No obstante, es importante tener en cuenta el origen de los datos empleados en su entrenamiento, ya que pueden haberse introducido implícitamente importantes sesgos. Por ejemplo, si se estudian unas determinadas patologías siempre en los mismos equipos, la herramienta de IA puede aprender a distinguir el tipo de escáner en lugar de las patologías en sí mismas. Esto se ha visto claramente en el caso del análisis con IA de radiografías de pacientes de COVID-19, donde muchos resultados publicados presentan importantes sesgos. Métodos: De la base de datos anonimizada de Physionet se extrajeron 1430 radiografías de tórax sin hallazgos radiológicos y con neumonía en formato DICOM adquiridas con 3 equipos fijos en orientación posteroanterior. Se adaptaron sus dimensiones y rango dinámico para hacerlas similares entre sí. Se entrenó una herramienta de IA con radiografías de pacientes con neumonía adquiridos con un escáner y con pacientes sanos con otro aparato. Resultados: La herramienta logra una precisión clasificando en neumonía o sin hallazgos de más del 97%. Sin embargo, aplicada a casos de un tercer escáner esa precisión es del 50%. Herramientas de ecualización y segmentación de la región pulmonar y cardiaca previa al entrenamiento logran que la precisión sea de 84% y 73% respectivamente.  Conclusiones: Es importante tener en cuenta el escáner con el que se adquieren las radiografías cuando se quieren emplear herramientas de IA. Un correcto preprocesado puede lograr eliminar posibles sesgos.