{"id":65548,"date":"2025-12-05T10:19:10","date_gmt":"2025-12-05T16:19:10","guid":{"rendered":"https:\/\/saluddigital.com\/?p=65548"},"modified":"2025-12-05T10:30:02","modified_gmt":"2025-12-05T16:30:02","slug":"nuevo-modelo-de-ia-mejora-la-deteccion-de-tuberculosis-infantil-mediante-radiografias-de-torax","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/nuevo-modelo-de-ia-mejora-la-deteccion-de-tuberculosis-infantil-mediante-radiografias-de-torax\/","title":{"rendered":"Nuevo modelo de IA mejora la detecci\u00f3n de tuberculosis infantil mediante radiograf\u00edas de t\u00f3rax"},"content":{"rendered":"
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Se trata de un sistema multivista analiza im\u00e1genes frontales y laterales para identificar signos compatibles con tuberculosis en ni\u00f1os.<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Un equipo internacional de investigadores desarroll\u00f3 pTBLightNet<\/strong>, un nuevo modelo de aprendizaje profundo o deep learning<\/em> capaz de detectar tuberculosis pulmonar pedi\u00e1trica a partir de radiograf\u00edas de t\u00f3rax. El estudio, publicado en Nature Communications<\/em><\/a>, demuestra que esta herramienta puede apoyar el diagn\u00f3stico temprano, especialmente en pa\u00edses con alta carga de la enfermedad.<\/p>

La tuberculosis (TB) sigue siendo una de las principales causas de muerte por enfermedad infecciosa en el mundo, y su diagn\u00f3stico en ni\u00f1os contin\u00faa siendo un reto por la inespecificidad de los s\u00edntomas y la dificultad para obtener muestras respiratorias. La Organizaci\u00f3n Mundial de la Salud (OMS) recomienda el uso de radiograf\u00edas de t\u00f3rax (RXT) como m\u00e9todo de tamizaje, pero su interpretaci\u00f3n depende del criterio de personal especializado.<\/p>

En este sentido, el modelo pTBLightNet utiliza un marco multivista, es decir, analiza radiograf\u00edas frontales (AP\/PA) y laterales (LAT), combinando la informaci\u00f3n de ambas para identificar signos compatibles con TB pedi\u00e1trica. Esta caracter\u00edstica es relevante porque la vista lateral ayuda a evaluar ganglios mediastinales, un hallazgo clave en la tuberculosis infantil.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

El sistema fue entrenado y evaluado con m\u00e1s de 114 mil radiograf\u00edas de adultos para una fase inicial de preentrenamiento. Adem\u00e1s de 918 radiograf\u00edas pedi\u00e1tricas de tres cohortes en Mozambique, Espa\u00f1a y Estados Unidos. Posteriormente, el preentrenamiento permiti\u00f3 que el modelo aprendiera patrones radiol\u00f3gicos generales antes de especializarse en tuberculosis pedi\u00e1trica.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t

\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Los resultados mostraron un mejor rendimiento y utilidad en ni\u00f1os peque\u00f1os, adem\u00e1s el modelo mostr\u00f3 un desempe\u00f1o alto en la detecci\u00f3n de radiograf\u00edas compatibles con TB: un \u00e1rea bajo la curva (AUC) de 0.903 en pruebas internas y una AUC de 0.682 en un conjunto externo, mostrando capacidad de generalizaci\u00f3n.<\/p>

Adem\u00e1s, los investigadores evaluaron modelos diferenciados por edad, pues en ni\u00f1os menores de 5 a\u00f1os, la inclusi\u00f3n de la radiograf\u00eda lateral mejor\u00f3 el rendimiento. Asimismo, los modelos entrenados espec\u00edficamente para cada grupo de edad mostraron buen desempe\u00f1o, incluso usando menos datos.<\/p>

El sistema tambi\u00e9n gener\u00f3 mapas de calor explicables (Grad-CAM) que destacan las zonas de la imagen que influyen en la predicci\u00f3n, favoreciendo la transparencia del algoritmo.<\/p>

pTBLightNet fue dise\u00f1ado pensando en contextos donde la tuberculosis es prevalente y el acceso a especialistas es limitado. Sus principales aportes incluyen:<\/p>