Thyroidiomics: An Automated Pipeline for Segmentation and Classification of Thyroid Pathologies from Scintigraphy Images

La tiroides humana es una pequeña glándula con forma de mariposa situada en la base del cuello, que actúa como el termostato del cuerpo al regular el metabolismo. Cuando esta glándula funciona mal, puede inflamarse, desarrollar bultos o presentar inflamación, lo que conduce a afecciones que van desde una molestia leve hasta graves amenazas para la salud. Para comprender qué está sucediendo en su interior, los médicos suelen utilizar un tipo especial de exploración de medicina nuclear llamada cintigrafía. En este procedimiento, el paciente recibe una cantidad mínima de una sustancia radiactiva segura que la tiroides absorbe de forma natural. Una cámara captura entonces las imágenes de este resplandor, revelando cómo está trabajando la glándula y dónde podría estar comportándose de forma anómala. Sin embargo, la lectura de estas imágenes es una tarea exigente. Requiere de un especialista cualificado que trace cuidadosamente el contorno de la tiroides en la pantalla y luego interprete patrones sutiles de luz y oscuridad para diagnosticar la enfermedad específica. Este proceso es lento, depende en gran medida de la experiencia de cada médico y puede variar de un experto a otro. A medida que aumenta el número de pacientes que necesitan estas exploraciones, la comunidad médica se enfrenta a la necesidad apremiante de herramientas que puedan asistir en este delicado trabajo, garantizando que los diagnósticos sean tanto rápidos como consistentes.

En un estudio reciente, un equipo de investigadores de Canadá, Irán y Suiza abordó este desafío mediante la creación de un sistema automatizado que denominaron Thyroidiomics. Su objetivo era crear un flujo de trabajo digital que no solo pudiera localizar la glándula tiroides en estas imágenes resplandecientes, sino también clasificar la enfermedad específica que la afecta, todo ello sin intervención humana. Reunieron una colección masiva de 2.643 exploraciones tiroideas de nueve centros médicos diferentes, que cubrían una amplia variedad de equipos y poblaciones de pacientes. El equipo se centró en tres afecciones comunes: un bocio difuso, donde la glándula está uniformemente agrandada; un bocio multinodular, caracterizado por múltiples bultos; y tiroiditis, una inflamación del tejido. Para entrenar a su ordenador, primero tuvieron que enseñarle a ver lo que ve un humano. Un médico especialista en medicina nuclear trazó manualmente los límites exactos de la tiroides en cada una de las imágenes, creando un mapa perfecto que sirvió como "verdad fundamental" para que la máquina aprendiera.

Posteriormente, los investigadores desarrollaron un sistema de inteligencia artificial de dos pasos. Primero, entrenaron un modelo de aprendizaje profundo, un tipo de programa informático inspirado en el cerebro humano, para dibujar automáticamente el contorno de la glándula tiroides en nuevas imágenes. Este modelo, conocido como Residual UNet, aprendió a distinguir la tiroides del tejido circundante mediante el estudio de miles de ejemplos. Una vez que el ordenador trazó con éxito el contorno de la glándula, comenzó el segundo paso. El sistema extrajo cientos de detalles matemáticos diminutos de la textura y el brillo del área delimitada —características demasiado sutiles para el ojo humano pero ricas en información diagnóstica—. Estos detalles se introdujeron después en un clasificador de aprendizaje automático, que actuó como un tomador de decisiones, clasificando las imágenes en una de las tres categorías de enfermedades. Para asegurar que su sistema fuera verdaderamente robusto y no se limitara a memorizar las imágenes específicas con las que fue entrenado, el equipo utilizó un método de prueba riguroso. Entrenaron el sistema con datos de ocho centros médicos y lo probaron con el noveno, repitiendo este proceso hasta que cada centro sirviera como caso de prueba. Este enfoque garantizó que el sistema pudiera manejar imágenes de diferentes máquinas y de diferentes hospitales.

Los resultados demostraron que el flujo de trabajo automatizado funcionó con una habilidad notable. La capacidad del ordenador para dibujar el contorno de la tiroides fue altamente precisa, coincidiendo con los dibujos manuales del médico experto en la mayoría de los casos. En cuanto al diagnóstico de la enfermedad, el sistema automatizado alcanzó una precisión de aproximadamente el 74 por ciento, una cifra muy cercana al 76 por ciento de precisión logrado cuando el sistema utilizaba los contornos manuales del médico como punto de partida. El sistema fue particularmente hábil en la identificación de la tiroiditis, clasificándola correctamente con una consistencia casi perfecta en todos los centros de prueba. Si bien los contornos manuales mantenían una ligera ventaja en precisión, la diferencia era tan pequeña que el rendimiento del sistema automatizado se consideró estadísticamente equivalente para la mayoría de las medidas. Esto sugiere que el ordenador puede reemplazar eficazmente el paso de trazado manual que consume tanto tiempo sin sacrificar la calidad diagnóstica.

Las implicaciones de este trabajo se extienden más allá de la velocidad. Al automatizar el proceso de segmentación, el sistema elimina la variabilidad que surge de diferentes médicos que dibujan la misma glándula de formas ligeramente distintas. Esta consistencia es vital para una atención sanitaria fiable, especialmente para los médicos con menos experiencia que podrían beneficiarse de tener una segunda opinión objetiva para comparar con sus propias evaluaciones. Los investigadores señalaron que, si bien su sistema es un paso significativo hacia adelante, fue entrenado con datos de un solo país y podría beneficiarse de un conjunto de datos globales más diversos para garantizar que funcione igual de bien en todas partes. También planean explorar formas de clasificar enfermedades sin necesidad de delinear la glándula en el futuro. Por ahora, sin embargo, este estudio demuestra que la inteligencia artificial puede navegar con éxito las complejidades de la cintigrafía tiroidea, ofreciendo una nueva y poderosa herramienta que trabaja junto a la experiencia humana para mejorar la atención al paciente.