Development and Validation of a Deep Learning Ensemble Model to Predict Drug-resistant Tuberculosis From Initial Chest X-ray Image

La tuberculosis sigue siendo una de las enfermedades infecciosas más persistentes y mortíferas del planeta, cobrándose más de un millón de vidas anualmente. Si bien la medicina moderna ha desarrollado formas de tratar la enfermedad, una amenaza creciente acecha: las cepas resistentes a los fármacos. Estas son bacterias que han aprendido a sobrevivir a los medicamentos estándar utilizados para eliminarlas. Identificar estas cepas resistentes rápidamente es una carrera contra el tiempo. Si un paciente está infectado con una versión resistente a los fármacos pero es tratado con medicamentos estándar, la enfermedad continúa propagándose y la condición del paciente empeora, lo que a menudo conduce a la muerte. El estándar de oro actual para el diagnóstico implica tomar una muestra y probarla en un laboratorio para ver qué fármacos funcionan, pero este proceso puede tardar semanas. En el mundo de las enfermedades infecciosas, las semanas pueden ser la diferencia entre la contención y un brote generalizado.

Los investigadores han sospechado durante mucho tiempo que los patrones visibles en una radiografía de tórax podrían contener pistas sobre si un paciente tiene una cepa resistente a los fármacos. Una radiografía de tórax es una imagen simple y ampliamente disponible que muestra los pulmones. Si bien un médico humano observa estas imágenes para ver si los pulmones están infectados, no puede distinguir fácilmente entre una infección estándar y una que es resistente a la medicación solo con mirar. Sin embargo, el ojo humano no es la única herramienta capaz de ver patrones. Un nuevo estudio ha aprovechado el poder de la inteligencia artificial para observar estas imágenes de una manera que va más allá de la capacidad humana, con el objetivo de detectar los signos sutiles de resistencia a los fármacos inmediatamente después de que un paciente llega a una clínica.

Un equipo de investigadores se propuso construir un sistema informático que pudiera actuar como una señal de alerta temprana. No crearon una máquina nueva ni un nuevo tipo de escáner. En su lugar, utilizaron una colección masiva de imágenes de radiografías de tórax existentes y los registros médicos confirmados de los pacientes que se las realizaron. Estos datos procedían de un proyecto global llamado TB Portals, que recopila información de pacientes con tuberculosis de todo el mundo. Los investigadores seleccionaron más de 7.000 imágenes de pacientes de Europa del Este y Asia Central, asegurándose de tener un registro claro de si cada paciente tenía una cepa sensible a los fármacos o una resistente a los mismos. Dividieron estos datos en grupos: un grupo para enseñar a la computadora, uno para verificar su progreso y un grupo final para probar sus habilidades finales, de forma muy parecida a un estudiante que toma un examen de práctica antes del examen real.

Para construir su sistema, los investigadores no dependieron de un único programa informático. En su lugar, crearon un ensamble, que es un equipo de diferentes modelos de inteligencia artificial trabajando juntos. Entrenaron tres modelos distintos de aprendizaje profundo —programas informáticos complejos diseñados para reconocer patrones en imágenes— sobre las radiografías de tórax. Estos modelos aprendieron a identificar miles de detalles diminutos en las imágenes pulmonares que el ojo humano podría pasar por alto. Paralelamente, el equipo utilizó un método diferente llamado radiómica, que descompone una imagen en cientos de características matemáticas medibles, como la textura y la forma. También incluyeron información básica sobre los pacientes, como la edad, el sexo y si tenían otras condiciones de salud como diabetes o VIH.

Los investigadores combinaron entonces las perspectivas de todas estas diferentes fuentes. Tomaron las predicciones de los tres modelos de lectura de imágenes, el análisis de radiómica y los datos de salud básicos del paciente, y los introdujeron en un clasificador final de aprendizaje automático. Este paso final actuó como un juez, sopesando toda la evidencia para producir una única puntuación de probabilidad. Esta puntuación representaba la probabilidad de que el paciente tuviera una forma de tuberculosis resistente a los fármacos. El sistema fue diseñado para ser un guardián, una primera línea de defensa que pudiera señalar a los pacientes de alto riesgo para que reciban pruebas y tratamiento especializados inmediatos, en lugar de esperar a que regresen los lentos resultados del laboratorio.

Cuando el equipo probó su modelo final con los datos que nunca había visto, los resultados fueron prometedores. El sistema distinguió correctamente entre casos resistentes y sensibles a los fármacos con un alto grado de precisión. En el grupo de prueba, el modelo logró una puntuación que indica que podía separar de manera fiable los dos grupos, funcionando significativamente mejor que utilizando únicamente la información clínica. El modelo no solo adivinó al azar; mostró un patrón claro. Los pacientes que posteriormente fueron confirmados con la forma más grave de resistencia a los fármacos, conocida como tuberculosis extensamente resistente, recibieron puntuaciones de riesgo más altas por parte del modelo que aquellos con una resistencia menos severa. Esto sugiere que el sistema fue lo suficientemente sensible como para detectar la intensidad de la resistencia, no solo su presencia.

Los investigadores también analizaron cómo tomaba sus decisiones para asegurar que estaba observando las cosas correctas. Utilizando una técnica que resalta qué partes de una imagen influyeron en la elección de la computadora, descubrieron que el modelo centraba su atención en los campos pulmonares, exactamente donde miraría un médico. Identificó parches oscuros y cambios estructurales dentro de los pulmones que son característicos de la enfermedad. Sin embargo, el estudio también reveló una limitación. El rendimiento del modelo disminuyó cuando los pacientes presentaban otras condiciones de salud, como anemia o VIH. Esto indica que, si bien el sistema es poderoso, otras enfermedades en los pulmones pueden confundir el patrón que intenta encontrar, haciendo que el diagnóstico sea más difícil en pacientes con múltiples problemas de salud.

El estudio concluye que las radiografías de tórax, cuando se analizan mediante este tipo específico de inteligencia artificial, pueden proporcionar una estimación rápida y significativa del riesgo de resistencia a los fármacos. Los autores son cuidadosos al afirmar que este sistema no es un reemplazo para las pruebas de laboratorio que confirman qué fármacos específicos funcionarán. En cambio, sirve como una poderosa herramienta de detección. En una clínica con mucha actividad, especialmente en áreas donde el equipo de laboratorio avanzado es escaso, esta herramienta podría ayudar a los médicos a decidir qué pacientes necesitan atención especializada urgente de inmediato. Al identificar los casos más peligrosos de forma temprana, el sistema ofrece una manera de comenzar el tratamiento adecuado más pronto, potencialmente salvando vidas y deteniendo la propagación de estas bacterias difíciles de tratar antes de que causen más daño. El trabajo demuestra que, con los datos adecuados y un enfoque colaborativo entre diferentes tipos de modelos informáticos, podemos extraer nuevos conocimientos vitales de imágenes que se han tomado durante décadas.