Redacción

La enfermedad de Kawasaki es la afección cardíaca más común presente en los niños de los países desarrollados. Si la enfermedad no se diagnostica pronto, puede generar vasculitis, miocarditis y dilatación coronaria pudiendo causar complicaciones cardíacas a largo plazo por el daño generado en los vasos sanguíneos. De ahí que sea especialmente importante perfeccionar las técnicas de detección de las que se dispone a partir del análisis de los datos procedentes de técnicas de imagen inocuas como puede ser el ecocardiograma.

Con este objetivo, miembros del Grupo de Investigación de Tratamiento de Imágenes de la Universidad Politécnica de Madrid (UPM) en España han desarrollado un sistema basado en técnicas de aprendizaje profundo (una modalidad de la inteligencia artificial) capaz de agilizar el análisis de las imágenes procedentes del ecocardiograma. De este modo, se mejora y se agiliza el diagnóstico.

“La realización de ecocardiogramas permite detectar anomalías en las arterias coronarias. Este proceso es difícil de automatizar, por lo que se realiza de forma manual, siendo normalmente un proceso complejo, lento y tedioso, pero el más efectivo para diagnosticar esta patología”, explica Julián Cabrera, uno de los investigadores de la UPM participantes en este trabajo para el que también se ha contado con la participación de pediatras expertos pertenecientes al Hospital 12 de Octubre y de cardiólogas pertenecientes al Hospital Santa Sofía y al Hospital 12 de Octubre, quienes además han colaborado en la elaboración de la base de datos empleada tanto para entrenar al sistema como para ponerlo a prueba.

El modelo propuesto por los investigadores aborda el primer paso de análisis automático del ecocardiograma: la detección de las arterias coronarias en los fotogramas del mismo.

En esta primera etapa, el sistema extrae todos los fotogramas pertenecientes al ecocardiograma y los clasifica en función de las arterias que aparecen en ellos: arteria izquierda, arteria derecha, ambas arterias o ninguna.

Esto se ha conseguido gracias al diseño, desarrollo y evaluación de redes neuronales convolucionales de diferente profundidad diseñadas específicamente para clasificar imágenes de ecocardiografía.

Para los investigadores de la UPM, la principal ventaja de este modelo es que permite agilizar y dinamizar el diagnóstico haciendo automática la interpretación de las imágenes, cosa que hasta el momento tenía que realizarse de un modo más lento por parte de los profesionales.

“Este primer desarrollo va a permitir seleccionar automáticamente los fotogramas relevantes a analizar dentro del ecocardiograma, permitiendo agilizar el diagnóstico de la enfermedad y facilitando el trabajo a los cardiólogos”, concluye Cabrera.