¿Se pueden usar rayos X como detectores de COVID-19? Esta misma pregunta se hizo Barath Narayanan, joven promesa del deep learning, hace unas semanas. No muchos días después ya tenía un método para detectar SARS-CoV-2 con un 98% de fiabilidad y usando máquinas TAC convencionales.
¿Cómo funciona EL detector covid-19?
El asistente sale de la habitación. El paciente se quita la camisa, se tumba en la camilla adaptada y trata de moverse lo menos posible. La máquina se pone en marcha con un zumbido, escaneando sus entrañas. Al terminar, la máquina vuelve a su posición inicial y el paciente sale de la sala blindada.
Hasta aquí, todo normal en una exploración torácica con rayos X. Si hemos sufrido una fractura o un trauma, es probable que hayamos pasado por este proceso. El resultado es una radiografía, pero es aquí donde entra la magia del deep learning, un método que consigue ver algo invisible a ojos de los médicos.
El sistema procesa la imagen a través de varios algoritmos e introduce el resultado en otro sistema más complejo. Este sistema de deep learning es especial. Ha sido alimentado con miles de imágenes de cajas torácicas acompañadas de etiquetas de “covid” o “no covid”.
Un humano sería incapaz, en la mayoría de los casos, de clasificarlas por estas categorías sin mirar la etiqueta. Pero el algoritmo diseñado por Barath Narayanan aprende con cada imagen. A diferencia de un médico, limitado por sus capacidades humanas, el algoritmo no deja de mejorar. Basándose en esas etiquetas, identifica los rasgos comunes a los dos conjuntos de radiografías y saca reglas de correlación.
Ahora viene lo interesante. Después de que el algoritmo se haya entrenado con miles de radiodiagnósticos, el pecho de un paciente es escaneado. Tarda unos 10 minutos. Segundos después, el algoritmo coteja esta nueva placa con la clasificación previa.
Antes de que el paciente salga de la habitación blindada, un ordenador en algún lugar del edificio ya tiene el diagnóstico. La posición de ciertas manchas casi invisibles confirman una alta probabilidad de que tenga coronavirus.
¿En qué se diferencia este método de otros?
Existen varias técnicas usadas como detector de COVID-19, con mayor o menor fiabilidad. El más rudimentario se basa en los síntomas mostrados por el paciente y en positivos previos del entorno: si un paciente da síntomas de SARS-CoV-2 viviendo con un positivo, la probabilidad de que tenga el virus es elevada.
Si buscamos una fiabilidad media debemos acudir a los test. Por ejemplo, los test PCR derivados de una muestra respiratoria, que buscan ARN del virus; o los test rápidos tanto de muestra sanguínea como de muestra respiratoria, que buscan anticuerpos y proteínas, respectivamente.
Los PCR tienen una fiabilidad superior al 90%, pero requieren transportar las muestras a un laboratorio y, además, se tarda entre dos y tres horas en obtener los resultados. Por contra, los test rápidos tardan solo 15 minutos, pero su fiabilidad es más baja, entre el 64% al 80%.
Estos porcentajes de fiabilidad dan muchos problemas porque aparecen falsos positivos (el test da positivo pero el paciente no tiene la COVID-19, y gastamos recursos públicos para tratar algo que no se tiene) y falsos negativos (el test da negativo pero el paciente tiene el SARS-CoV-2, pudiendo convertirse en un foco de contagio).
Este profesor de matemáticas, en Twitter @eliatron, lo explica con el teorema de Bayes. “Si se hacen 2 tests [PCR] a cada persona, la probabilidad de que des dos positivos pero no estés infectado se reduce al 19%”, una cifra que sigue siendo bastante elevada y que arroja mucha incertidumbre.
Por qué si un test de anticuerpos da positivo, lo más probable es que no estés infectado https://t.co/E1iv9HrUse
Aplicaciones de la Probabilidad condicionada y el Teorema de Bayes.
Y luego quieren que las MAtemáticas no sean obligatorias en el Bachillerato de Ciencias. pic.twitter.com/3bQSNZyAC1
— Tito Eliatron (@eliatron) May 18, 2020
La gran ventaja del método de Barath Narayanan es la fiabilidad. Ahí está la clave. Menos de un 1% de los pacientes serán mal diagnosticados, una cifra a la que el resto de métodos, incluso combinados, ni se acerca. Es el poder del deep learning, una herramienta, también matemática, mucho más potente.
¿Por qué mirar en los pulmones en lugar de la sangre?
Cada semana descubrimos nuevas consecuencias del SARS-CoV-2. Lo que en principio parecía una enfermedad respiratoria como el MERS ha demostrado tener secuelas en otras áreas del cuerpo:
- Afecta al olfato y gusto. El 85,6% de los pacientes sufren una disfunción olfativa como la anosmia o la hiposmia.
- También puede afectar a nivel cutáneo. Se han detectado manifestaciones cutáneas como sabañones en zonas acrales en el 19% de los casos o necrosis en un 6%.
- También se ha demostrado su afectación al sistema nervioso [estudio, estudio, estudio] con manifestaciones neurológicas variadas entre las que se incluye la anosmia antes mencionada.
Sin embargo, no son uniformes, no afectan a toda la población y suelen aparecer en forma de secuela. Como bien dicen los neumólogos, “los pacientes de COVID-19 tendrán que ser seguidos de cerca en los años siguientes” porque pueden aparecer otras secuelas, pero estas no nos ayudan a establecer un diagnóstico rápido.
¿Quién es Barath Narayanan?
El genio tras la técnica de detectar la COVID-19 usando rayos X y deep learning es un joven programador llamado Barath Narayanan. Investigador en la Universidad de Dayton, uno de los centros en los que se ha formado, lleva años tratando de resolver problemas de diagnóstico usando técnicas de este tipo.
Justo antes de que explotase la pandemia, publicó un artículo científico en el que usaba la misma técnica para detectar neumonía. En este caso, con una precisión del 97,8%. Además de neumonía o COVID-19, Narayanan ha desarrollado tecnología para medir el cáncer, la malaria, los tumores cerebrales, la tuberculosis y la retinopatía diabética usando imágenes médicas.
No cabe duda de que el futuro del diagnóstico es la inteligencia artificial, capaz de extraer información de una forma para el que nuestro cerebro no está ni remotamente adaptado. En unos años es probable que una radiografía y muestra de sangre actuales revelen mucho más que ahora en un salto conceptual similar al descubrimiento y análisis del ADN forense.
En Nobbot | Robots médicos para liberar al personal sanitario y agilizar el diagnóstico
Imágenes | iStock/agcuesta, CDC