Inteligencia artificial para medir el flujo sanguíneo
En su tesis para optar al grado de doctor en Ciencias de la Ingeniería de la Pontificia Universidad Católica de Chile, Javier Bisbal desarrolló tres métodos de deep learning que buscan hacer más fiable, rápido y automático el análisis de la resonancia magnética de flujo 4D, una técnica con gran potencial para evaluar enfermedades cardiovasculares y cerebrovasculares.
“La resonancia magnética de flujo 4D es una técnica especial de resonancia magnética que, en vez de visualizar lo que está estático en nuestro cuerpo, puede ver lo que está en movimiento. En el caso del cuerpo humano, esto nos permite ver el movimiento de la sangre y estudiar cómo se distribuye en nuestro cuerpo”, explica Bisbal.
La técnica es especialmente útil en cardiopatías congénitas, como la coartación aórtica, en la que una sección de la aorta se estrecha. “La resonancia de flujo 4D permite cuantificar con precisión el grado de alteración del flujo sanguíneo y, con eso, guiar el tratamiento y también el seguimiento posquirúrgico”, señala. En el cerebro puede ayudar a caracterizar el grado de estenosis de las arterias y cómo se redistribuye el flujo, lo que contribuye a predecir el riesgo de accidentes cerebrovasculares.
Pese a su potencial, la técnica se usa poco en la práctica clínica. Por una parte, la adquisición es lenta, porque requiere adquirir una gran cantidad de datos en tres dimensiones. Por otra parte, obtener valores útiles para el diagnóstico exige múltiples pasos de procesamiento, como la reducción de ruido, la segmentación de arterias y el reformateo de planos. “Todos estos pasos requieren gran experiencia en el uso de software de análisis de imágenes y un conocimiento profundo tanto de la técnica como de la anatomía de distintas patologías”, indica el investigador. Agrega que, según un estudio reciente, estas limitaciones hacen que la técnica no sea viable económicamente fuera de grandes centros de salud que también se dedican a la investigación.
A ello se suman el ruido y los errores en las velocidades medidas. Estos pueden deberse a las técnicas de aceleración, al movimiento del paciente o a que la velocidad de la sangre supere el rango establecido. En este último caso, la velocidad puede aparecer representada de forma incorrecta, incluso con un sentido opuesto al real.
Mejora mediante deep learning
El pasado 9 de octubre, Javier Bisbal Zenteno defendió en el Campus San Joaquín su tesis para optar al grado de doctor en Ciencias de la Ingeniería de la Pontificia Universidad Católica de Chile. La tesis se tituló “Enhancing Hemodynamic Quantification in 4D Flow MRI Using Deep Learning”.
El trabajo fue dirigido por los profesores Cristián Tejos (UC) y Sergio Uribe (Monash University). La comisión estuvo integrada además por Francisco Sahli (UC), Marcelo Andia (UC), Julio Sotelo (UTFSM) y David Marlevi (Karolinska Institutet), y fue presidida por Sergio Maturana (UC), en representación del jefe de programa.
“Escogí este tema porque existía una gran oportunidad de unir los avances de la inteligencia artificial para superar las limitaciones del 4D Flow y acercar su uso a la clínica”, comenta.
Para abordar estos desafíos, la tesis desarrolla tres métodos. El primero corrige las velocidades medidas: incorpora principios físicos para reducir el ruido y corregir errores. El segundo identifica automáticamente los planos utilizados para cuantificar el flujo. El tercero etiqueta las arterias cerebrales y señala las regiones donde sus predicciones son menos fiables. Los métodos se evaluaron con simulaciones y con datos de pacientes y voluntarios. Sus resultados se compararon con mediciones y procesamientos manuales, que en algunos casos realizó más de un operador para medir la variabilidad entre ellos.
Según Bisbal, automatizar el reformateo de planos podría ahorrar entre 20 y 30 minutos por paciente, y el etiquetado automático de arterias, un tiempo similar o mayor en casos complejos. “Tuve la oportunidad de ver a un doctor analizar una resonancia de flujo 4D de un paciente con enfermedad congénita en el Hospital Barros Luco Trudeau. Me comentaba que en promedio le tomaba unos 30 a 40 minutos hacer el análisis con los planos”, relata. Ambos métodos buscan además reducir la variabilidad, con predicciones que toman menos de un minuto en total.
“La idea es apoyar al radiólogo con estas herramientas, de manera que la IA lo asista en el procesamiento, él lo revise y pueda extraer métricas fácilmente”, explica. Para los pacientes, el objetivo es que más personas accedan a esta técnica y cuenten con informes radiológicos más completos y personalizados, que ayuden a caracterizar mejor las enfermedades cardiovasculares y a prevenir muertes o complicaciones.
Para llegar a la clínica, los métodos, validados en cohortes de decenas de pacientes y voluntarios, deberán probarse en grupos de cientos de personas con múltiples patologías y obtener la aprobación de organismos regulatorios. El siguiente paso es incorporar estas herramientas en software de análisis de imágenes y realizar validaciones piloto en nuevas cohortes. En esa línea, Bisbal colaborará en el componente de IA de un proyecto FONDEF adjudicado por el Dr. Julio Sotelo para desarrollar un software propio de análisis.
Las herramientas también pueden extenderse a otros dominios. Junto a Sofía Farfán, estudiante de doctorado de iHEALTH, Bisbal adaptó el método de reformateo a imágenes cardíacas de resonancia magnética de bajo campo, un trabajo que enviaron recientemente a una conferencia.
En las próximas semanas, Bisbal viajará a Suecia para iniciar un posdoctorado en el Instituto Karolinska, en un departamento ubicado dentro del hospital Karolinska. “Tendré colaboración directa con personal médico, con el objetivo de acercar los métodos de IA al entorno clínico”, adelanta.
