Aprendizaje contrastivo y subtipificación de imágenes de tomografía computarizada de pulmón post-COVID-19
Resumen
Los pacientes que se recuperaron de la nueva enfermedad por coronavirus 2019 (COVID-19) pueden experimentar una variedad de síntomas a largo plazo. Dado que el pulmón es el sitio más común de infección, las secuelas pulmonares pueden presentarse de manera persistente en los sobrevivientes de COVID-19. Para comprender mejor los síntomas asociados con el deterioro de la función pulmonar en pacientes con post-COVID-19, nuestro objetivo fue construir un modelo de aprendizaje profundo que realiza dos tareas: diferenciar sujetos post-COVID-19 de sujetos sanos e identificar post-COVID-19 subtipos, basados en las representaciones latentes de tomografías computarizadas (TC) de pulmón.
Se analizaron tomografías computarizadas de 140 sujetos post-COVID-19 y 105 controles sanos. Se desarrolló un nuevo modelo de aprendizaje mediante la introducción de una transformación de volumen pulmonar para aprender las características latentes de los fenotipos de enfermedades a partir de tomografías computarizadas en la inspiración y la expiración de los mismos sujetos. El modelo logró una precisión del 90% para la diferenciación de los sujetos post-COVID-19 de los controles sanos.
Se identificaron dos grupos (C1 y C2) con características distintas entre los sujetos posteriores a COVID-19. C1 exhibió un mayor atrapamiento de aire causado por la enfermedad de las vías respiratorias pequeñas (4,10 %, p = 0,008) y la capacidad de difusión del % previsto de monóxido de carbono (% DLCO previsto, 101,95 %, p < 0,001), mientras que C2 presentó una disminución del volumen pulmonar (4,40 l, p < 0,001) y aumento de la opacidad en vidrio esmerilado (GGO%, 15,85%, p < 0,001).
El modelo de aprendizaje contrastivo es capaz de capturar las características latentes de dos subtipos posteriores a la COVID-19 caracterizados por atrapamiento de aire debido a la enfermedad de las vías respiratorias pequeñas y patrones fibróticos intersticiales asociados a las vías respiratorias, respectivamente. El descubrimiento de subtipos post-COVID-19 sugiere la necesidad de diferentes manejos y tratamientos de las secuelas a largo plazo de los pacientes con post-COVID-19.
Las imágenes TLC y RV de los sujetos representativos de cada grupo. La primera y la tercera columna mostraban los mapas de activación que indicaban las regiones importantes para determinar si los sujetos eran sujetos post-COVID-19 (rojo) o sujetos de control (púrpura).
Comentarios
Para los pacientes que lidian con síntomas respiratorios persistentes del nuevo coronavirus, una radiografía de tórax no puede revelar mucho. Las exploraciones bidimensionales (2D) simplemente no pueden distinguir la función pulmonar comprometida. Para ese diagnóstico, se necesita una técnica tridimensional (3D) más de tomografía computarizada.
Sin embargo, muchas clínicas médicas en los Estados Unidos no cuentan con equipos de tomografía computarizada, lo que deja a los pacientes con COVID prolongado con poca información sobre su función pulmonar.
Eso puede cambiar. En un nuevo estudio, investigadores de la Universidad de Iowa desarrollaron lo que se llama un modelo de aprendizaje contrastivo. Este modelo “aprende” de imágenes 2D compuestas construidas a partir de imágenes de TC 3D para detectar una función pulmonar comprometida en pacientes con COVID prolongado. Otra técnica, llamada transferencia de aprendizaje, luego transmite información de diagnóstico pulmonar de una tomografía computarizada a una radiografía de tórax, lo que permite que el equipo de rayos X de tórax detecte anomalías como si esos pacientes hubieran usado una tomografía computarizada.
En el estudio, los investigadores mostraron cómo su modelo de aprendizaje contrastivo podría aplicarse para detectar la enfermedad de las vías respiratorias pequeñas, que es una etapa temprana de la función pulmonar comprometida en pacientes con COVID prolongado. De los pacientes con COVID prolongado, los modelos fueron lo suficientemente avanzados como para distinguir la gravedad de la función pulmonar comprometida, separando a aquellos con enfermedad de las vías respiratorias pequeñas de aquellos con problemas respiratorios más avanzados.
“El nuevo elemento del modelo es tomar información de tomografías computarizadas en 3D que muestran el volumen pulmonar y transferir esa información a un modelo que mostrará estas mismas características en imágenes en 2D”, dicen Ching-Long Lin, Edward M. Mielnik y Samuel R. Harding profesor y presidente del Departamento de Ingeniería Mecánica de la Facultad de Ingeniería de Iowa. “Los médicos podrían usar radiografías de tórax para detectar estos resultados. Esa es la perspectiva más amplia”.
Los investigadores basaron su modelo en tomografías computarizadas de 100 personas que estaban infectadas con la cepa original de COVID y acudieron a UI Hospitals & Clinics para recibir un diagnóstico de problemas respiratorios entre junio y diciembre de 2020. Muchos de estos pacientes con COVID prolongado tenían enfermedad de las vías respiratorias pequeñas, un diagnóstico informado por Alejandro Comellas, profesor clínico de medicina interna-pulmonar, cuidados intensivos y medicina del trabajo, en un artículo publicado en marzo pasado en la revista Radiology.
La enfermedad de las vías respiratorias pequeñas afecta una red de más de 10.000 tubos en el nexo en el pulmón donde el aire oxigenado se mezcla con la sangre para ser transportado por todo el cuerpo. Las personas con enfermedad de las vías respiratorias pequeñas tienen muchos de estos vasos sanguíneos contraídos, lo que limita el intercambio de oxígeno y sangre en los pulmones e impide la respiración en general.
Lin y su equipo recopilaron puntos de datos en dos intervalos en las tomografías computarizadas de los pulmones: cuando el paciente inhalaba y cuando exhalaba. Los investigadores compararon sus resultados con un grupo de control que no había contraído el virus mientras creaban el modelo de aprendizaje contrastivo.
“Nuestros modelos identificaron con éxito la disminución de la función pulmonar de pacientes con COVID prolongado en comparación con aquellos que no habían contraído el virus”, dice Lin, cuya experiencia es en aprendizaje automático y simulación dinámica computacional de fluidos y partículas.
El equipo de Lin avanzó el modelo para que pudiera separar a los pacientes con enfermedad de las vías respiratorias pequeñas de aquellos con complicaciones más avanzadas, como el enfisema.
“El estudio demostró de forma independiente que los pacientes con post-COVID tienen dos tipos de lesiones pulmonares (enfermedad de las vías respiratorias pequeñas y fibrosis/inflamación del parénquima pulmonar) que son persistentes después de haberse recuperado de su infección inicial por SARS CoV-2”, dice Comellas, coautor de este estudio.
“Las radiografías de tórax son accesibles, mientras que las tomografías computarizadas son más costosas y no tan accesibles”, agrega Lin. “Nuestro modelo se puede mejorar aún más, y creo que existe la posibilidad de que se use en todas las clínicas sin tener que comprar equipos de imagen costosos, como escáneres de tomografía computarizada”.
Los autores señalan que el estudio es limitado, en parte porque el tamaño de la muestra es pequeño y los pacientes pertenecen a un solo centro médico. Un tamaño de muestra más grande, escriben, puede descubrir más variaciones en la función pulmonar derivadas de un COVID prolongado.
El estudio, “Aprendizaje contrastivo y subtipificación de imágenes de tomografía computarizada de pulmón post-COVID-19”, se publicó en la revista Frontiers in Physiology. Los coautores, todos de Iowa, incluyen a Frank Li, Xuan Zhang, Eric Hoffman y Tianbao Yang.
