Se trata de un sistema multivista analiza imágenes frontales y laterales para identificar signos compatibles con tuberculosis en niños.
Un equipo internacional de investigadores desarrolló pTBLightNet, un nuevo modelo de aprendizaje profundo or deep learning capaz de detectar tuberculosis pulmonar pediátrica a partir de radiografías de tórax. El estudio, publicado en Nature Communications, demuestra que esta herramienta puede apoyar el diagnóstico temprano, especialmente en países con alta carga de la enfermedad.
La tuberculosis (TB) sigue siendo una de las principales causas de muerte por enfermedad infecciosa en el mundo, y su diagnóstico en niños continúa siendo un reto por la inespecificidad de los síntomas y la dificultad para obtener muestras respiratorias. La Organización Mundial de la Salud (OMS) recomienda el uso de radiografías de tórax (RXT) como método de tamizaje, pero su interpretación depende del criterio de personal especializado.
En este sentido, el modelo pTBLightNet utiliza un marco multivista, es decir, analiza radiografías frontales (AP/PA) y laterales (LAT), combinando la información de ambas para identificar signos compatibles con TB pediátrica. Esta característica es relevante porque la vista lateral ayuda a evaluar ganglios mediastinales, un hallazgo clave en la tuberculosis infantil.
El sistema fue entrenado y evaluado con más de 114 mil radiografías de adultos para una fase inicial de preentrenamiento. Además de 918 radiografías pediátricas de tres cohortes en Mozambique, España y Estados Unidos. Posteriormente, el preentrenamiento permitió que el modelo aprendiera patrones radiológicos generales antes de especializarse en tuberculosis pediátrica.
Los resultados mostraron un mejor rendimiento y utilidad en niños pequeños, además el modelo mostró un desempeño alto en la detección de radiografías compatibles con TB: un área bajo la curva (AUC) de 0.903 en pruebas internas y una AUC de 0.682 en un conjunto externo, mostrando capacidad de generalización.
Además, los investigadores evaluaron modelos diferenciados por edad, pues en niños menores de 5 años, la inclusión de la radiografía lateral mejoró el rendimiento. Asimismo, los modelos entrenados específicamente para cada grupo de edad mostraron buen desempeño, incluso usando menos datos.
El sistema también generó mapas de calor explicables (Grad-CAM) que destacan las zonas de la imagen que influyen en la predicción, favoreciendo la transparencia del algorithm.
pTBLightNet fue diseñado pensando en contextos donde la tuberculosis es prevalente y el acceso a especialistas es limitado. Sus principales aportes incluyen:
- Mayor precisión en el tamizaje de TB infantil
- Utilidad en niños pequeños, donde el diagnóstico es más complejo
- Capacidad de funcionar con una o dos vistas radiográfica
- Robustez frente a variaciones en la calidad de imagen o procedencia de los datos
Los autores señalan que, aunque los resultados son prometedores, se requieren estudios prospectivos y en poblaciones más amplias para evaluar su desempeño en entornos clínicos reales.
