Radiografías, neumonía y los límites de un prototipo planteado para COVID-19

Nota editorial: este artículo documenta un proyecto educativo y sus resultados en los datos utilizados. No acredita validación clínica ni autorización para diagnosticar o tratar a pacientes. Las propuestas de aplicación sanitaria se conservan como objetivos del equipo, no como capacidades demostradas.

La Paz. Deep Learning. 2021

INTRODUCCIÓN

La COVID-19 es la enfermedad causada por el nuevo coronavirus conocido como SARS-CoV-2. La OMS tuvo noticia por primera vez de la existencia de este nuevo virus el 31 de diciembre de 2019, al ser informada de un grupo de casos de «neumonía vírica» que se habían declarado en Wuhan (República Popular China).

Se llama SARS-CoV-2, por las siglas:

“SARS” porque puede producir un “Síndrome Respiratorio Agudo Grave” (siglas en inglés: Severe Acute Respiratory Syndrome, SARS).
“CoV” porque es un coronavirus.
“2” porque ya existió un virus parecido en 2002–2003 que producía también SARS.

¿QUÉ PRUEBAS SE UTILIZAN PARA DIAGNOSTICAR EL COVID-19?

PCR

La PCR, sigla inglesa de reacción en cadena de la polimerasa, es una técnica utilizada desde hace años en pruebas de diagnóstico de enfermedades infecciosas. Durante la pandemia se empleó para detectar material genético del SARS-CoV-2. Las pruebas rápidas de antígenos utilizan otro método y ofrecen resultados en menos tiempo.

ANTÍGENO

Prueba de antígeno. Esta prueba para la COVID-19 detecta ciertas proteínas en el virus. Se usa un hisopo para tomar una muestra de fluido de la nariz, y las pruebas de antígeno pueden dar resultados en minutos.

Test antígeno

RADIOGRAFIA DE TORAX

Los escáneres o las radiografías producen una imagen de los órganos y estructuras (corazón, pulmones y vías respiratorias) del tórax. Pueden detectar bloqueos, inflamación y exceso de líquido.

Las radiografías utilizan una pequeña cantidad de radiación para producir una imagen en dos dimensiones. Por lo general, las realiza un radiólogo en el hospital mediante un equipo fijo, pero también se pueden hacer con una máquina portátil.
La tomografía computarizada (TC) utiliza una computadora para fusionar varias radiografías tomadas desde diferentes ángulos y producir así una imagen bidimensional que se puede convertir en una imagen tridimensional. Requiere de un equipo muy especializado y la realiza en el hospital un radiólogo especialista.

Se pueden realizar en un hospital o en otros centros sanitarios, como la consulta de un médico o una clínica.

PROBLEMATICA

El proyecto surgió en 2021, en un contexto de acceso limitado a pruebas de COVID-19. El equipo quiso explorar el análisis de radiografías, pero los datos utilizados no permiten presentarlo como una alternativa diagnóstica para esa infección.

IMÁGENES DE RAYOS X

En el campo de la medicina se utilizan con frecuencia radiografías y tomografías computarizadas para diagnosticar neumonía, inflamación pulmonar, abscesos y / o ganglios linfáticos agrandados. Dado que COVID-19 ataca las células epiteliales que recubren nuestro tracto respiratorio, podemos usar rayos X para analizar la salud de los pulmones de un paciente.

La disponibilidad de equipos de rayos X motivó la pregunta inicial del equipo: si el análisis de imágenes podría ayudar en el contexto de la pandemia. Esta pregunta debe distinguirse de lo que realmente evaluó el prototipo.

OBJETIVOS

Recopilar las entradas del modelo en datasets para el entrenamiento, pruebas y validación.
Desarrollar un clasificador experimental de radiografías mediante deep learning y estudiar sus limitaciones.
Evaluar los resultados del modelo a través de la matriz de confusión.

DESARROLLO DEL MODELO

Para desarrollar el modelo se utilizó el conjunto “Chest X-Ray Images (Pneumonia)” de Kaggle. El equipo indica que trabajó con 5.856 imágenes. Sus etiquetas distinguen neumonía y normalidad, no COVID-19. Tener neumonía no equivale a tener COVID-19, por lo que los resultados siguientes evalúan esa clasificación y no la detección del SARS-CoV-2.

https://www.kaggle.com/paultimothymooney/chest-xray-pneumonia

SELECCION DEL MODELO Y TECNICAS IMPLEMENTADAS

Para la construcción del modelo se utilizó Redes Neuronales Convolucionales, porque son redes neuronales diseñadas y ampliamente usadas para trabajar con imágenes.

Las redes convolucionales contienen varias hidden layers, las cuales se encargan de detectar líneas, curvas y así con las convoluciones se permitirá detectar formas más complejas como siluetas, rostros, etc.

Utilizamos TensorFlow y Keras. TensorFlow ofrece herramientas y bibliotecas para desarrollar modelos de aprendizaje automático, y Keras proporciona una API de alto nivel. En el entorno empleado para el proyecto, Keras estaba integrado en TensorFlow.

DESARROLLO DEL PROYECTO

Debido a que es una pequeña prueba de concepto de clasificación de imágenes para un curso introductorio a Deep Learning, se ha subido las imágenes del dataset a una carpeta de google drive y el desarrollo del modelo se utilizó los servicios de colab.research de Google.

Las imágenes fueron ajustadas a un tamaño de 500×500, para poder entrenar, en la siguiente imagen se observa una radiografía de un paciente normal.

Modelo

Con la integración de Keras con Tensorflow, se tienen nuevas clases como “ImageDataGenerator” que facilitan la carga de imágenes:

Las imágenes fueron divididas en 3 grupos: entrenamiento, pruebas y validación.

El modelo de clasificación se puede observar en la siguiente gráfica:

EVALUACION DEL MODELO

Para realizar la evaluación se ha utilizado la matriz de confusión:

Donde se puede observar que el modelo ha identificado:

175 verdaderos negativos (VN): imágenes sin neumonía clasificadas como negativas.
384 verdaderos positivos (VP): imágenes con neumonía clasificadas como positivas.
59 falsos negativos (FN): imágenes con neumonía clasificadas como negativas.
6 falsos positivos (FP): imágenes sin neumonía clasificadas como positivas.

Con estos datos podemos calcular los siguientes indicadores:

Exactitud = (VP + VN) / (VP + VN + FN + FP)

Exactitud = (175 + 384) / (175 + 384 + 59 + 6)

Exactitud = 0,8958

La exactitud es la proporción de todas las predicciones que fueron correctas: 89,58 %.

Precisión = VP / (VP + FP)

Precisión = 384 / (384 + 6)

Precisión = 0,9846

La precisión es la proporción de predicciones positivas que fueron correctas: 98,46 %.

Sensibilidad = VP / (VP + FN)

Sensibilidad = 384 / (384 + 59)

Sensibilidad = 0,8668

La sensibilidad es la proporción de casos positivos correctamente identificados llegó a un valor de 86,68%

Especificidad = VN / (VN + FP)

Especificidad = 175 / (175 + 6)

Especificidad = 0,9669

La especificidad es la proporción de casos negativos correctamente identificados: 96,69 %. La versión original utilizaba FN en lugar de FP en el denominador; aquí se corrige la fórmula y el resultado.

ANALISIS DE RESULTADOS

La matriz de confusión arroja una exactitud del 89,58 % para las imágenes evaluadas. Este resultado no establece validez clínica ni rendimiento en otros conjuntos de datos.

En la gráfica del entrenamiento, la exactitud se mantuvo por encima del 80 % y la pérdida por debajo de 0,2. La pérdida es el valor de una función de error, no un porcentaje de diagnósticos incorrectos.

Resultados del modelo de aprendizaje automático

CONCLUSION

De acuerdo a los resultados obtenidos se tiene:

El clasificador alcanzó aproximadamente un 89,6 % de exactitud en los datos evaluados.
El modelo clasifica imágenes de neumonía del conjunto utilizado. No permite concluir que detecte COVID-19 ni debe ofrecerse como alternativa diagnóstica.