¿Qué tipo de imágenes médicas se analizan con Capillary.io y cómo ayuda la IA?
Existen muchos casos de uso en los que se utiliza la IA en medicina para diferenciar entre imágenes que presentan rasgos patológicos y no patológicos (por ejemplo diferenciar lesiones cutáneas benignas o malignas), y también para detectar zonas de interés en las imágenes (por ejemplo la presencia de dermatitis).
En Capillary.io nos hemos centrado en otra prueba médica algo menos conocida pero muy utilizada en reumatología, medicina interna y a veces en dermatología: la capilaroscopia.
La capilaroscopia consiste en la observación de los capilares sanguíneos de la base de las uñas (lecho ungueal) del paciente mediante un microscopio llamado capilaroscopio, y ayuda a determinar el estado del sistema vascular de éste de forma sencilla, rápida y no invasiva.
La razón por la que se observa el lecho ungueal es que ahí los capilares son paralelos a la piel, mientras que en otras partes del cuerpo son perpendiculares y no pueden visualizarse con facilidad.
La capilaroscopia se usa frecuentemente para el diagnóstico y seguimiento de algunas enfermedades autoinmunes como la esclerodermia, la dermatomiositis o enfermedad mixta del tejido conectivo.
Reconocimiento de capilares sanguíneos en fotos realizadas con el microscopio
Entonces, ¿Cómo puede ayudar la IA a mejorar la práctica de la capilaroscopia? ¿Y qué tipos de modelos de deep-learning se utilizan para ello?
Para analizar las imágenes de capilaroscopias necesitamos principalmente utilizar 3 tipos de modelos:
Un modelo de localización de objetos para localizar los capilares sanguíneos en la imagen, y así ser capaces de saber qué capilares hay y dónde están. Una de las tareas más importantes en la capilaroscopia es contar cuántos capilares hay por milímetro ya que la densidad capilar normal es de 7 a 12 capilares por mm.
Un modelo de clasificación de imágenes para poder clasificar los capilares según la forma que presentan. Los capilares pueden tener una forma normal (rectos, alargados y en “U” invertida) o presentar una forma irregular tortuosa, ramificada o incluso de un tamaño mucho mayor a lo normal (megacapilar).
Un modelo de detección de puntos clave o keypoints para, una vez localizado cada capilar, poder realizar mediciones del diámetro de su ápice o bucle y del ancho de su rama arterial y venosa. Con estas mediciones podremos ser más objetivos a la hora de decidir si un capilar tiene un tamaño mayor a lo normal (dilatado) o mucho mayor (megacapilar).
Adicionalmente, el modelo de detección de objetos también nos ayuda a detectar micro-hemorragias, cuya presencia suele ser un indicador patológico.
En resumen, durante una capilaroscopia, el médico observará los capilares con el microscopio y tomará fotos de éstos para posteriormente contarlos, decidir si cada uno de ellos presenta una forma normal o no y calcular algunas métrica estadísticas como la densidad capilar, porcentaje de dilataciones, presencia o no de megacapilares y micro-hemorragias, diámetro apical promedio, etc.
Pero en la realidad, por falta de tiempo o razones prácticas muchos médicos no realizaban un análisis tan riguroso y basado en datos objetivos: se limitaban a observar los capilares en poco tiempo para hacerse una idea de cómo estaban y emitir un diagnóstico basado en datos muy limitados.
Con capillary.io hemos mejorado este proceso para los médicos, que ya no tienen que analizar cada imagen y calcular las métricas a mano puesto que el sistema las calcula instantáneamente al disponer de todos los datos necesarios. Además el doctor podrá corregir predicciones incorrectas de los modelos, ya que no existe ningún sistema de IA perfecto que pueda funcionar con 100% de precisión, y la calidad de las imágenes puede variar según la habilidad del propio doctor y el microscopio utilizado.
Medición de los capilares
Para la capilaroscopia existen ciertos criterios y estándares a la hora de evaluar el tamaño de los capilares para decidir si están agrandados (dilataciones) o muy por encima del tamaño normal (capilares gigantes o megacapilares). El diámetro apical de un capilar normal suele estar entre 10 y 25 μm.
Pero de nuevo, en la práctica muchos médicos no realizaban mediciones de cada capilar manualmente ya que consume mucho tiempo, y por tanto decidían “a ojo” si el capilar era normal, dilatado o gigante.
Es aquí donde entra en juego el modelo de keypoint detection, y una de las grandes ventajas del uso de inteligencia artificial en capilaroscopia: podemos aislar cada capilar mediante su encuadre y procesarlo con otro modelo adicional que detecte los puntos donde comienza y termina cada asa capilar y el ápice o bucle.
Esta es una forma de, mediante puntos clave o keypoints, realizar mediciones de cada capilar localizado, no solamente unos pocos capilares o aquellos que sean dudosos para el médico. Esta información posteriormente es aprovechada para obtener estadísticas adicionales que hasta ahora eran demasiado laboriosas de producir.
En conclusión, los modelos de deep-learning pueden resultar de gran utilidad a los médicos para mejorar la cantidad y calidad de los datos que obtienen de sus pacientes con el diagnóstico por imagen. La IA por tanto es una herramienta de apoyo que agiliza el diagnóstico y seguimiento de enfermedades. Al integrar adecuadamente la IA en software médico podemos ayudar al doctor a tomar mejores decisiones.
Para saber más sobre cómo funciona el sistema de capilaroscopia Capillary.io en detalle, lea nuestro artículo publicado en Clinical and Experimental Rheumatology.