Un nuevo horizonte se abre en la lucha contra la enfermedad de las arterias coronarias, la principal causa de mortalidad en todo el mundo. Desde IBIMA Plataforma BIONAND, un equipo multidisciplinar ha desarrollado una Inteligencia Artificial (IA) capaz de detectar las obstrucciones arteriales con una precisión inédita.
El trabajo, liderado por Almudena Ortega Gómez, junto a Ezequiel López-Rubio y Esteban J. Palomo, aplica la potencia del aprendizaje profundo a la angiografía coronaria invasiva, el método más fiable para diagnosticar lesiones en las arterias del corazón. El estudio, publicado en Computers in Biology and Medicine (Elsevier), demuestra que la optimización automática de los hiperparámetros de los modelos YOLOv8 (una arquitectura de IA de vanguardia) puede mejorar la fiabilidad y la rapidez del diagnóstico, acercando la tecnología al entorno clínico real.
"Los resultados son esperanzadores para realizar diagnósticos más exactos que los habituales"
El cardiólogo Manuel Jiménez-Navarro, coordinador del grupo Investigación Cardiovascular para la Salud del Hospital Clínico Universitario Virgen de la Victoria de Málaga e investigador del CIBER-Cardiovascular, destaca la importancia clínica del proyecto.
"La determinación exacta del grado de estrechez de las arterias coronarias (las que aportan sangre al corazón) a veces es difícil por el cateterismo solo (coronariografía), sobre todo si la estrechez está entre el 50 y el 70% por razones diversas como irregularidades, curvas, artefactos, calcificaciones, tamaño (generalmente las coronarias son más pequeñas en mujeres)".
Esa franja intermedia, explica, es la más difícil de interpretar: una pequeña diferencia en el grado de estrechez puede cambiar por completo la indicación médica. "Es importante saber exactamente el grado de estrechez porque tendríamos solución (colocar stent o ‘muelle’ en lenguaje coloquial u hacer un injerto coronario o 'bypass'). Estos tratamientos tienen pocos riesgos, pero no son completamente inocuos y es importante hacer un diagnóstico exacto para tratar solo a los que realmente lo necesiten".
De ahí la relevancia de una IA que permita aumentar la objetividad y reducir el margen de error. "Aunque el estudio es preliminar, los resultados son esperanzadores para realizar diagnósticos más exactos que superen a los métodos diagnósticos habituales (estimación visual) o técnicas complejas de diagnóstico intracoronario que son muy caras como la ecografía dentro de las coronarias", aseguró Jiménez Navarro.
Jiménez Navarro imagina un futuro en el que esta tecnología se integre de forma natural en los servicios de hemodinámica: "Poniéndola al servicio de todos los profesionales que realizan coronariografía en todos los hospitales del mundo con herramientas sencillas como un ordenador o integrándola en el equipo de hemodinámica que permitan capturar la imagen y después hacer el diagnóstico del grado de estenosis con esta herramienta que estamos desarrollando".
"El reto técnico más difícil fue esta optimización de los hiperparámetros del modelo"
El investigador Esteban J. Palomo, del Grupo de Inteligencia Computacional y Análisis de Imágenes de la Universidad de Málaga, explica que el desarrollo no estuvo exento de desafíos técnicos.
"Existen varios retos que afrontar a la hora de detectar lesiones coronarias con este tipo de modelos. Uno de ellos viene dado por la calidad de las imágenes, la cuales no tienen mucha resolución, presentan ruido, oclusiones, etc. Pero hay que recordar que el objetivo principal era adaptar y optimizar una arquitectura de IA conocida (YOLO) a la detección de lesiones en las angiografías coronarias invasivas y para ello era necesaria la optimización de los hiperparámetros del modelo a través de un análisis exhaustivo como el presentado en el artículo. Por ello, el reto técnico más difícil fue esta optimización de los hiperparámetros del modelo, lo cual es crucial para que el modelo aprenda a generalizar bien y detecte correctamente nuevas lesiones que no había visto antes".
En lenguaje más llano, los investigadores tuvieron que ajustar de manera automática cientos de parámetros internos de la red neuronal, como tasas de aprendizaje, pesos de pérdida o número de épocas de entrenamiento, para que el modelo no solo reconociera patrones ya vistos, sino que pudiera identificar lesiones nuevas y sutiles con alta fiabilidad.
Palomo detalla que "para optimizar estos hiperparámetros, hay que explorar un espacio que es anisotrópico (muchas variables que interactúan entre sí con distintas escalas), en un contexto de datos limitados y heterogéneos. En este estudio vemos que la optimización por mutación de Ultralytics-ES no explora bien ese espacio y que los optimizadores basados en modelos (CMA-ES, TPE, muestreador con Proceso Gaussiano) encuentran configuraciones más estables y precisas".
De la teoría a los datos
El equipo utilizó exclusivamente imágenes de coronariografía invasiva (ICA/X-ray) y recurrió a dos bases de datos abiertas, CADICA y ARCADE, ambas en formato PNG (512×512 píxeles). "En CADICA se seleccionaron imágenes de secuencias completas cuando el contraste perfundía o la lesión era visible; en ARCADE hay una imagen clave por paciente con más del 50% de estenosis y no hay imágenes sin lesión", explica Palomo.
En total, "en CADICA hay 6.126 imágenes (2.130 sin lesión y 3.996 con lesión). En ARCADE hay 1.500 imágenes con lesión y no hay imágenes sin lesión". Para manejar ese desequilibrio, el grupo aplicó "la técnica de la validación cruzada estratificada, la cual divide los datos de manera que la proporción de muestras para cada clase se mantenga en cada uno de los subconjuntos".
Durante la optimización no se emplearon técnicas de aumento de datos, y el éxito se consideraba cuando la intersección sobre unión (IoU) era igual o superior a 0,5, es decir, cuando la detección coincidía en al menos un 50% con la región marcada por expertos.
"Usamos la técnica EigenCAM para comprobar en qué zonas se está centrando el modelo"
Más allá de la precisión numérica, el equipo quiso saber cómo y dónde 'miraba' la IA. "Usamos la técnica ‘EigenCAM’ para superponer mapas de calor en las angiografías y poder comprobar en qué zonas de la imagen se está centrando el modelo para ver si hay una lesión o no. Con CMA-ES/TPE/GP, el mapa de calor se adhiere a los vasos y a las zonas con lesión, mientras que con Ultralytics-ES los mapas son más difusos. Al pasar a DCA-YOLOv8 el mapa de calor se condensa aún más sobre el centro del vaso".
Esto significa que los modelos optimizados no solo fueron más precisos, sino también más interpretables: el sistema aprendió a focalizar su atención justo en las áreas donde los cardiólogos buscarían la obstrucción.
Resultados y reproducibilidad
Palomo explica que el rendimiento se evaluó mediante métricas estándar de visión artificial: precisión, recall y F1. "En lugar de medir los frames por segundo (FPS) de inferencia, medimos el compromiso F1-aceleración de entrenamiento: las fronteras de Pareto muestran que los métodos basados en modelos desplazan la frontera hacia arriba y a la derecha respecto a Ultralytics-ES. En CADICA, con DCA-YOLOv8, llegamos a speed-ups de ×4 manteniendo la F1 competitiva.”
En cuanto a la validación, "la fiabilidad se cuantifica mediante el uso de la validación cruzada estratificada 3-fold del mejor conjunto, mostrando el intervalo de confianza del 95% y el test de significancia estadística Kruskal Wallis".
Y, para garantizar la reproducibilidad, "hemos publicado nuestro código fuente como código abierto para que otros investigadores no solo puedan reproducir nuestros experimentos, sino que puedan aplicar nuestro código de optimización para sus propios proyectos".
Validación clínica y futuro
El siguiente paso será trasladar la tecnología al entorno médico. "Se pretende validar por parte de los cardiólogos con datos distintos de los conjuntos de datos utilizados (CADICA y ARCADE). Habrá que realizar estudios de impacto en flujo de trabajo y, en paralelo, tendremos que evaluar el ciclo regulatorio e integración con PACS/DICOM".
Sobre la infraestructura técnica, Palomo precisa: "Los entrenamientos requieren mucha capacidad de cómputo (éstos se han realizado usando el supercomputador Picasso de la Universidad de Málaga), pero una vez entrenados los modelos, la inferencia no requiere de tanta capacidad de cómputo, aunque este sistema tendría que operar en un servidor con una o varias GPUs potentes".
En la práctica, la IA podría funcionar en un hospital con equipamiento estándar y conectarse directamente a los sistemas de imagen médica. "La interoperabilidad (PACS/DICOM), la integración en flujo clínico y la parte regulatoria no se abordan en este estudio y es algo que tendremos que abordar en el futuro".
Un avance que une ciencia e ingeniería
Tanto Palomo como Jiménez-Navarro coinciden en que el mayor logro de esta investigación no es solo técnico, sino humano. "Estas herramientas de IA nos pueden ayudar, pero lo realmente difícil es encontrar equipos multidisciplinares. En nuestro caso, ingenieros y cardiólogos que trabajen juntos; esto es lo realmente difícil", señala el cardiólogo.
Y concluye con una visión compartida: "La inteligencia artificial (IA) ha llegado para quedarse y nos será muy útil en el tratamiento de los pacientes tanto en Cardiología como en todo lo que conlleve la atención de los pacientes. Es nuestra obligación conocerla para poder integrarla en nuestro quehacer diario. No será la solución de todos nuestros problemas en el tratamiento de los pacientes, pero sin duda alguna nos ayudará mucho".
