Inteligencia artificial aplicada a la radiómica en patología pulmonar

Abstract

Aquesta tesi presenta els resultats de dos estudis en què es desenvolupen models de diagnòstic basats en la radiòmica, una tècnica d'anàlisi d'imatges mèdiques quantitativa i d'alt rendiment impulsada per la intel·ligència artificial, principalment l'aprenentatge profund (Deep Learning), per optimitzar el diagnòstic per imatge de l'embòlia pulmonar (EP) i dels nòduls pulmonars. El primer estudi demostra un model radiòmic intel·ligent capaç de fer un diagnòstic localitzat de diferents patrons d'imatge (EP, pneumònia i pulmó sa) en pacients amb i sense COVID-19 mitjançant SPECT-CT/Q. El segon estudi presenta un model integratiu que combina un model radiòmic profund amb un model de dades clíniques per predir la malignitat en nòduls pulmonars detectats incidentalment o en cribratge. Ambdós models experimentals han demostrat un bon rendiment diagnòstic en el grup de pacients analitzat, i han estat capaços de respondre als problemes proposats. L'ús de noves tecnologies, com les presentades en aquesta tesi, ens acosta a un diagnòstic per imatge avançat que es pot aplicar potencialment a la pràctica clínica diària en benefici dels pacients i la pràctica mèdica.

Esta tesis expone los resultados dos estudios en el que se desarrollan modelos diagnósticos basados en radiómica, una novedosa técnica de análisis cuantitativo y de alto rendimiento de la imagen médica, potenciada por inteligencia artificial principalmente Deep Learning, orientados a optimizar el diagnóstico por imagen de TEP y de nódulo pulmonar. El primer estudio muestra un modelo radiómico inteligente que es capaz de hacer un diagnóstico local de diferentes patrones de imagen (TEP, neumonía y pulmón sano) en pacientes con y sin COVID-19 por medio de SPECT-TC/Q. El segundo estudio muestra un modelo integrativo que fusiona un modelo Deep radiómico con un modelo de datos clínicos para predecir malignidad en nódulos pulmonares incidentales o detectados por cribado de cáncer de pulmón. Ambos modelos experimentales han demostrado un buen rendimiento diagnóstico en el grupo de pacientes analizados, siendo capaces de dar respuesta a la problemática que se ha propuesto resolver. El uso de nuevas tecnologías como la presentada en esta tesis, nos aproxima a un diagnóstico avanzado por imagen que en un futuro podrá ser trasladado a la clínica diaria para beneficio de los pacientes y la práctica médica.

This thesis presents the results of two studies in which diagnostic models based on radiomics, a novel quantitative and high-throughput medical imaging analysis technique powered by artificial intelligence, mainly Deep Learning, are developed to optimize imaging diagnosis of pulmonary embolism (PE) and pulmonary nodules. The first study demonstrates an intelligent radiomic model capable of making a localized diagnosis of different imaging patterns (PE, pneumonia, and healthy lung) in patients with and without COVID-19 through SPECT-CT/Q. The second study presents an integrative model that merges a Deep radiomic model with a clinical data model to predict malignancy in incidental or screening-detected pulmonary nodules. Both experimental models have shown good diagnostic performance in the group of patients analyzed, being able to address the proposed issues. The use of new technologies, such as those presented in this thesis, brings us closer to advanced imaging diagnosis that can potentially be applied to daily clinical practice for the benefit of patients and medical practice.