Modelo de IA que funciona sin supervisión predice la supervivencia de los pacientes de COVID-19 con base en los exámenes de TC del tórax

Un modelo de inteligencia artificial (IA) “sin supervisión”, o uno entrenado sin anotaciones de imagen, puede predecir con exactitud la supervivencia de los pacientes con COVID-19 sobre la base de sus exámenes de tomografía computarizada (TC) de tórax.

Investigadores del Hospital General de Massachusetts (Boston, MA, EUA) demostraron que el desempeño de su algoritmo pix2surv basado en imágenes de TC superó significativamente al de las pruebas de laboratorio existentes y los predictores visuales y cuantitativos basados en imágenes para determinar la progresión de la enfermedad y la mortalidad de los pacientes con COVID-19. Por lo tanto, pix2surv ofrece un enfoque prometedor para realizar predicciones de pronóstico basadas en imágenes.


Debido a la rápida propagación y la amplia gama de manifestaciones clínicas de la enfermedad por coronavirus 2019 (COVID-19), la estimación rápida y exacta de la progresión de la enfermedad y la mortalidad es vital para el manejo de los pacientes. Los predictores de pronóstico basados en imágenes disponibles actualmente para pacientes con COVID-19 se limitan en gran medida a esquemas semiautomatizados con funciones diseñadas manualmente y aprendizaje supervisado, y el análisis de supervivencia se limita en gran medida a la regresión logística. Para resolver este problema, los investigadores desarrollaron una red adversarial generativa condicional débilmente no supervisada, llamada pix2surv, que se puede entrenar para determinar la información del tiempo transcurrido hasta el evento para el análisis de supervivencia directamente a partir de las imágenes de TC de tórax de un paciente.

pix2surv permite estimar la distribución del tiempo de supervivencia directamente a partir de las imágenes de TC de tórax de los pacientes. El modelo evita las limitaciones técnicas de los predictores de COVID-19 basados en imágenes anteriores, porque el uso de una GAN condicional totalmente automatizada hace posible entrenar un modelo completo de análisis de supervivencia de extremo-a-extremo con base en imágenes para producir la distribución del tiempo hasta el evento directamente a partir de la información obtenida de las imágenes de TC de tórax sin una segmentación explícita o esfuerzos de extracción de características. Además, debido al uso de aprendizaje débilmente no supervisado, el esfuerzo de anotación se reduce al emparejamiento de imágenes de TC de entrenamiento de entrada con el tiempo de supervivencia observado correspondiente del paciente.

En su estudio, los investigadores demostraron que el desempeño pronóstico de pix2surv, basado en imágenes de TC de tórax, se compara favorablemente con los de las pruebas de laboratorio actualmente disponibles y los predictores visuales y cuantitativos basados en imágenes existentes para la estimación de la progresión de la enfermedad y la mortalidad de los pacientes con COVID-19. También demostraron que la información del tiempo transcurrido hasta el evento calculada por pix2surv basada en imágenes de TC de tórax permite la estratificación de los pacientes en grupos de bajo y alto riesgo por un margen más amplio que los de los otros predictores. Por lo tanto, pix2surv ofrece un método prometedor para realizar predicciones de pronóstico basadas en imágenes para el manejo de pacientes con COVID-19.

Enlace relacionado:
Hospital General de Massachusetts