Investigadores de la UPM y del CIBER-BBN, en colaboración con diferentes instituciones y organismos internacionales, han desarrollado un sistema de inteligencia artificial (IA) para ayudar a detectar signos radiológicos compatibles con tuberculosis pulmonar en radiografías de tórax pediátricas. El trabajo, publicado en Nature Communications, es el primer estudio que evalúa de forma sistemática el valor de las radiografías laterales en este contexto y que compara modelos específicos por edad frente a modelos generales entrenados con todas las edades.
Entre los colaboradores destacan el Instituto de Salud Global de Barcelona (ISGlobal, centro impulsado por la Fundación “la Caixa”), el Centro de Investigação em Saúde de Manhiça (CISM) en Mozambique, la Red Española de Estudio de Tuberculosis Pediátrica (pTBred), el Centro de Investigación Biomédica en Red de Enfermedades Infecciosas (CIBERINFEC) y el Children’s National Hospital (Washington DC, Estados Unidos).
Mapas de activación generados mediante técnicas de explicabilidad que señalan las regiones de interés utilizadas por el modelo para tomar sus decisiones sobre las radiografías.
La tuberculosis en niños representa un desafío diagnóstico, ya que los síntomas suelen ser inespecíficos y las alteraciones radiológicas tienden a ser más sutiles y variables en comparación con los adultos. Para abordar estas dificultades, el sistema integra radiografías de tórax frontales y, cuando están disponibles, también radiografías laterales. Este sistema ha sido optimizado para mejorar su eficiencia, y entrenado y validado con datos provenientes de diversos hospitales y contextos epidemiológicos.
Daniel Capellán Martín, primer autor e investigador de la UPM, afirma: “Hemos diseñado esta herramienta de tal forma que sea extremadamente eficiente sin perder precisión ni rendimiento, con el objetivo de que pueda integrarse incluso en dispositivos móviles y así acercar el diagnóstico de la tuberculosis a zonas rurales con alta incidencia de la enfermedad, donde los recursos y el acceso a radiólogos especializados son muy limitados”. Juan José Gómez Valverde, segundo autor del estudio y profesor de la UPM, añade: “El preentrenamiento en datos adultos permite aprovechar conjuntos mucho más amplios y diversos, lo que facilita que el modelo aprenda características robustas que después pueden adaptarse al contexto pediátrico”.
Principales contribuciones
El trabajo aporta tres contribuciones clave. Primero, demuestra que el preentrenamiento de modelos de IA en grandes colecciones de radiografías de adultos mejora el rendimiento cuando estos modelos se afinan con datos pediátricos. Segundo, pone de relieve la utilidad de las radiografías laterales, que ofrecen información complementaria especialmente valiosa en lactantes y niños pequeños, donde la vista frontal puede ser insuficiente. Tercero, muestra que los modelos específicos por edad superan a los modelos entrenados con todas las edades, debido a las diferencias en el desarrollo y la presentación clínica de la enfermedad entre diferentes grupos etarios.
Sala de espera de la unidad de pediatría de un hospital africano. © Pascal Deloche.
Elisa López Varela, investigadora en ISGlobal durante el estudio, subraya: “Las vistas laterales complementan a la frontal y son especialmente valiosas en lactantes y niños pequeños, ya que ayudan a identificar hallazgos que podrían pasar desapercibidos cuando solo se cuenta con una proyección”.
Implicaciones para la práctica clínica y salud pública
“Esta solución no pretende sustituir al radiólogo ni al médico, sino servir como herramienta de apoyo: puede ayudar a priorizar estudios, orientar decisiones de cribado y facilitar la detección temprana en entornos con escasos recursos”, comenta Begoña Santiago García, coordinadora de pTBred y pediatra en el Hospital General Universitario Gregorio Marañón de Madrid. “El uso de vistas laterales y la adaptación por grupos de edad podrían aumentar la sensibilidad diagnóstica en poblaciones pediátricas, especialmente en lactantes y niños pequeños, donde el diagnóstico resulta más complejo”.
Transparencia y explicabilidad
Además de los resultados cuantitativos, el equipo incorporó técnicas de inteligencia artificial explicable que generan mapas visuales señalando las zonas de la radiografía que influyeron en cada decisión (ver imagen). Estas representaciones facilitan la revisión clínica de las predicciones y aumentan la confianza en el uso asistido por IA.
Pasos siguientes
Los autores destacan la necesidad de validaciones clínicas adicionales y estudios de implementación en entornos reales, especialmente en centros con recursos limitados, para evaluar su impacto en el flujo de trabajo, la precisión diagnóstica y la aceptación entre los profesionales. También destacan la importancia de estudiar la integración con sistemas de telemedicina y programas de cribado en áreas endémicas, así como su rendimiento en distintos entornos de atención sanitaria.
María Jesús Ledesma Carbayo, supervisora técnica del trabajo y catedrática de la UPM, concluye: “Nuestro objetivo es que esta tecnología se adapte a las necesidades locales y se implemente de forma responsable, complementando la labor clínica y contribuyendo a mejorar el acceso al diagnóstico en poblaciones vulnerables”.
Agradecimientos
Esta investigación ha sido posible gracias al apoyo de una amplia red de pediatras en España y Mozambique, así como al respaldo del Ministerio de Ciencia e Innovación, el Instituto de Salud Carlos III, la Sociedad Española de Neumología y Cirugía Torácica (SEPAR), y diversos proyectos europeos financiados por la Unión Europea como INNOVA4TB, ADVANCETB y STool4TB. Los autores agradecen igualmente la financiación y colaboración de la European Respiratory Society y la contribución de todos los centros e investigadores participantes, entre ellos ISGlobal, CISM, pTBred, CIBERINFEC y Children’s National Hospital.
- Capellán-Martín, D., Juan J. Gómez-Valverde, …, Maria J. Ledesma-Carbayo et al. (2025). Multi-view deep learning framework for the detection of chest X-rays compatible with pediatric pulmonary tuberculosis, Nature Communications. https://doi.org/10.1038/s41467-025-64391-1
- Gómez-Valverde, J. J., Sánchez-Jacob, R., Ribó, J. L., Schaaf, H. S., García Delgado, L., Hernanz-Lobo, A., ... & Ledesma-Carbayo, M. J. (2024). Chest X-Ray–Based Telemedicine Platform for Pediatric Tuberculosis Diagnosis in Low-Resource Settings: Development and Validation Study. JMIR pediatrics and parenting, 7, e51743. https://doi.org/10.2196/51743
- Capellán-Martín, D., Gómez-Valverde, J. J., Bermejo-Peláez, D., & Ledesma-Carbayo, M. J. (2023, April). A lightweight, rapid and efficient deep convolutional network for chest X-ray tuberculosis detection. In 2023 IEEE 20th International Symposium on Biomedical Imaging (ISBI)(pp. 1-5). https://doi.org/10.1109/ISBI53787.2023.10230500