Un equipo de investigadores de la Universidad de Cádiz y del Hospital Universitario Puerta del Mar ha desarrollado un innovador modelo basado en inteligencia artificial (IA) que promete revolucionar el diagnóstico temprano de enfermedades pulmonares. Este proyecto, financiado por la Consejería de Universidad, Investigación e Innovación, se centra en mejorar la detección automática de alteraciones en radiografías de tórax, convirtiéndose en una herramienta valiosa para neumólogos y radiólogos.
Las patologías pulmonares, como la silicosis, a menudo presentan síntomas sutiles en sus etapas iniciales, lo que puede llevar a interpretaciones clínicas erróneas. En un artículo titulado ‘Localization and classification of abnormalities on chest X-ray images using a Mamba-YOLOvX model’, publicado en la revista Expert Systems with Applications, los expertos han evaluado el modelo Mamba-YOLOvX. Este sistema permite localizar lesiones de diferentes tamaños con rapidez y efectividad.
Avances en el diagnóstico mediante IA
El modelo se fundamenta en algoritmos de aprendizaje automático que utilizan redes neuronales convolucionales, imitando así el funcionamiento de la corteza visual humana. A través del análisis de miles de imágenes, el sistema aprende a reconocer patrones y características complejas. Inicialmente, se entrena con ejemplos específicos, permitiendo que la red extraiga automáticamente información relevante y mejore su precisión con cada intento.
Los investigadores han alimentado este sistema con una vasta cantidad de radiografías. Según Daniel Sánchez Morillo, investigador de la Universidad de Cádiz y coautor del artículo, “en muchas ocasiones, algunas lesiones pulmonares pueden pasar desapercibidas en los exámenes radiológicos”. Esto se debe a las dificultades inherentes a la interpretación de estas imágenes médicas. La subjetividad y variabilidad en las evaluaciones pueden afectar el diagnóstico, especialmente cuando una enfermedad avanza hacia estados más graves.
Características innovadoras del modelo Mamba-YOLOvX
Los resultados obtenidos hasta ahora indican que este nuevo modelo mejora significativamente la precisión diagnóstica comparado con otros métodos recientes. Es particularmente eficaz para detectar lesiones pequeñas, lo que lo convierte en un recurso prometedor para apoyar clínicamente la detección precoz de problemas pulmonares.
El modelo combina información global y local: analiza tanto el contexto general —como la forma de los pulmones o la posición del corazón— como los detalles específicos que pueden señalar irregularidades. Gracias a mecanismos avanzados como atención espacial y filtros inteligentes, el sistema se enfoca solo en áreas relevantes de las radiografías, ignorando elementos no útiles para el diagnóstico.
Aumento de datos y robustez del sistema
Para optimizar el entrenamiento del modelo, se han utilizado datos provenientes de diversos centros hospitalarios junto con una estrategia conocida como aumento de datos. Esta técnica segmenta costillas y alinea puntos clave del tórax para crear nuevas imágenes homogéneas desde una perspectiva anatómica. De esta manera, el sistema demuestra ser robusto ante variaciones en las radiografías procedentes de diferentes hospitales o equipos.
Este trabajo es parte del proyecto PEOPLE, que busca desarrollar herramientas avanzadas de IA para mejorar el diagnóstico temprano y pronóstico de enfermedades como la silicosis. Esta condición resulta de inhalar polvo de sílice cristalina presente en ciertos materiales industriales. A través del uso combinado de radiografías torácicas, biomarcadores sanguíneos e imágenes tomográficas computarizadas, los expertos trabajan para establecer un enfoque integral que optimice tanto la precisión como la velocidad en la identificación de esta patología pulmonar.
Si (
No(
