Un equipo de investigación de la Universidad Metropolitana de Osaka, en Japón, desarrolló una herramienta de inteligencia artificial (IA) capaz de identificar la presencia de la enfermedad del hígado graso a través de la interpretación de radiografías de tórax.
Este avance científico fue definido por los investigadores como un paso hacia la simplificación y la expansión del acceso al diagnóstico de una condición que afecta a millones de personas en el mundo.
Los autores del estudio, publicado en la revista científica Asia Research, señalaron que la implementación de esta tecnología podría redefinir los protocolos de detección temprana, facilitando intervenciones médicas oportunas.
Actualmente, el proceso de diagnóstico de la enfermedad del hígado graso se basa en el empleo de ecografías, tomografías computarizadas y resonancias magnéticas.
Los científicos resaltaron que estas modalidades ofrecen una precisión considerable, pero su utilización implica la necesidad de equipos especializados y una infraestructura clínica específica, que acarrea costos operativos elevados y limitaciones de acceso en diversas regiones globales.
Herramienta accesible para la detección del hígado graso
Con el desarrollo de este modelo de IA, podrían usarse las radiografías de tórax para diagnosticar la enfermedad de hígado graso y al ser un procedimiento médico de menor costo, con una exposición mínima a la radiación y una alta frecuencia de realización en el ámbito clínico, facilitaría su implementación en los pacientes.
Aunque el propósito principal de los rayos X de tórax es la evaluación de las estructuras pulmonares y cardíacas, estas imágenes también capturan una porción del hígado, lo que llevó a los investigadores a explorar su potencial como una herramienta más accesible para la detección de signos asociados al hígado graso.
El proyecto de investigación, dirigido por la profesora asociada Sawako Uchida-Kobayashi y el profesor asociado Daiju Ueda, se basó en el análisis de 6.599 radiografías de tórax, provenientes de 4.414 pacientes.
La selección de estos participantes se concentró en el hecho de que todos habían sido sometidos previamente a un examen de parámetros de atenuación controlada (CAP), una técnica de diagnóstico no invasiva y estandarizada, reconocida por su eficacia en la cuantificación precisa del contenido de grasa en el hígado.
Esta particularidad del estudio lo convirtió en un punto de referencia fiable para la validación del modelo de IA, ya que los resultados de la herramienta debían dar los mismos que ya habían sido generados con el examen CAP.
Procesos para comprobar el modelo de IA
La metodología de la investigación siguió un protocolo inicial de confirmación de la presencia de esteatosis hepática (término médico para el hígado graso) en todos los pacientes involucrados, utilizando los valores obtenidos del CAP como criterio.
Posteriormente, para el desarrollo y la validación del modelo de IA, las radiografías se subdividieron aleatoriamente en diferentes conjuntos de datos. Un grupo se destinó al entrenamiento del algoritmo de aprendizaje profundo, proceso en el que el sistema aprende a identificar patrones y características relevantes en las imágenes asociadas con la esteatosis hepática.
Otro conjunto se utilizó para el ajuste del modelo, y un tercer grupo para una prueba interna que permitiera evaluar su capacidad predictiva en datos no vistos previamente por el algoritmo.
Los resultados demostraron una alta fiabilidad del diagnóstico a través del modelo de IA que analiza las radiografías de tórax. Los investigadores resaltaron que la expectativa es que esta tecnología pueda ser incorporada a la práctica en los centros de salud cuando concluyan las pruebas en laboratorio y aprueben la fase de pruebas clínicas con pacientes.
