Hipotesis

El fundamento del presente proyecto deriva de las siguientes hipótesis:

1. La transformación digital está suponiendo una revolución en la industria de todos los sectores, pero aún más en el sector electromédico, donde cada vez más se espera que el equipamiento pueda aprovechar las ventajas de dicha transformación y de las aplicaciones de inteligencia artificial en beneficio del paciente, y de una mayor competitividad de las empresas.
2. El equipamiento de imagen médica es probablemente uno de los que más se benefician de esta transformación digital, como lo muestran las numerosas aplicaciones de inteligencia artificial (IA) en las modalidades de imagen más avanzadas, tales como la resonancia magnética o el TAC, si bien pocas de ellas han alcanzado una implantación clínica amplia.
3. Dentro del ámbito del equipo de imagen médica, la llamada “radiología convencional” es la que quizá más lentamente está incorporando estos nuevos paradigmas, de tal modo que los flujos de trabajo de pacientes y el proceso de interpretación e informe de los resultados se mantiene esencialmente igual que en la épica analógica, exceptuando algunas ayudas puntuales en el proceso, que en general aportan algunas ayudas al diagnóstico, normalmente en un marco de patologías restringido.
4. En el caso de la radiología convencional, existe aún un amplio margen de mejora respecto a la utilización de herramientas de IA en las etapas del flujo de trabajo previas a la interpretación diagnóstica por parte del radiólogo. Muchas de estas etapas afectan notablemente la calidad del resultado de imagen y, en consecuencia, determinan la agilidad del proceso de adquisición de imagen, así como la calidad de la misma (siempre en función de la dosis de radiación recibida), así como necesidad de repetir pruebas, con el consiguiente aumento de dosis.
5. Una de las limitaciones de la radiografía plana respecto al TAC, cuyo uso en todos los casos es inviable por el coste y alta dosis de radiación que supone, es su menor sensibilidad en cuanto a las lesiones pulmonares. La técnica de tomosíntesis puede aumentar sustancialmente la precisión diagnóstica radiológica en los sistemas de radiología plana, ofreciendo información pseudo-tomográfica a una dosis mucho menor. La incorporación de técnicas de IA en la reconstrucción de la imagen de tomosíntesis podría solventar la mayor limitación de la tomosíntesis, que es el hecho de que no ofrezca información cuantitativa. Esto permitiría generar imágenes comparables al TAC con un dispositivo de bajo coste y mucho mayor disponibilidad, importante debido al amplio número de patologías que presentan un incremento de la densidad del parénquima pulmonar.
6. La empresa SEDECAL, socio industrial en esta propuesta y líder internacional en diseño y fabricación de sistemas de imagen humana y veterinaria (en particular, de radiología convencional) detecta un importante nicho de oportunidad en el marco de la citada transformación digital de estos sistemas, con incorporación de técnicas de IA en muy diferentes aspectos. Aprovechar esta oportunidad le permitirá consolidar su liderazgo internacional en el sector, además de, evidentemente, mejorar el servicio a los pacientes.
7. El Hospital Gregorio Marañón y la Universidad Carlos III mantienen un grupo de investigación multicéntrico que en los últimos años ha logrado significativos avances en el campo de la aplicación de IA en diferentes aspectos de las adquisición de imagen radiológica, y que pueden ser de interés y aplicación industrial. Igualmente, el Hospital posee profesionales de alta cualificación para definir necesidades clínicas y validar los resultados parciales que se vayan alcanzando, aunque sin llegar a una aplicación clínica directa en el marco de esta propuesta.
8. La empresa SEDECAL y la parte académica del consorcio proponente vienen colaborando desde mucho tiempo atrás, y, con el concurso de la Unidad de Apoyo a la Innovación del Hospital, han alcanzado un elevado nivel de coordinación y una eficaz transferencia de resultados en proyectos previos.
9. En consecuencia, el consorcio estima que hay una elevada probabilidad de que los desarrollos científicos previos contemplados en este proyecto puedan ser transferidos con éxito alcanzando un aproximadamente un nivel TRL-5, de modo que en un futuro cercano puedan ser validados definitivamente en el mismo marco de colaboración e incorporados a los productos fabricados por SEDECAL, reforzando así una colaboración público privada que viene constituyendo un ejemplo de éxito en nuestro entorno.

Objetivos

Asumiendo que el cumplimiento de estas hipótesis genera un marco idóneo para una colaboración académico-industrial exitosa, podemos definir el objetivo global de proyecto del siguiente modo:

Diseñar y desarrollar un sistema de imagen de tórax basado en tomosíntesis y completar el desarrollo de resultados científicos previos en el campo de la IA, implementando su necesaria adaptación al entorno real industrial, de tal modo que el flujo de trabajo de adquisición de imagen resulte menos propenso a errores, proporcione imágenes de mejor calidad y precisión diagnóstica, reduzca la dosis de radiación al paciente y, en última instancia, mejore la competitividad de la empresa y refuerce la estrategia de colaboración público-privada entre hospitales y la industria.

Este objetivo global se desglosa en los siguiente objetivos específicos, que reflejan las contribuciones concretas a las diferentes etapas del flujo del trabajo radiológico, y que posteriormente se abordan en las actividades del proyecto:

• O1: Diseñar y desarrollar un nuevo sistema para radiología torácica que incluye hardware, software y firmware con movimiento robotizado de la fuente de rayos X que permita obtener proyecciones de tomosíntesis.
• O2: Incorporar herramientas de IA que faciliten el proceso de preparación previo a la adquisición de la imagen permitiendo automatizar tareas: detección automática de la posición radiológica, selección automática de los valores de voltaje y corriente, colimación automática), facilitando la labor del técnico de rayos y evitando la necesidad de repeticiones de la prueba, con la disminución de dosis que esto supone.
• O3: Incorporar herramientas de IA en las etapas de generación de imagen, que permitan realzar la información proporcionada a partir de (1) mejoras de contraste, ruido y definición de detalles, (2) de reducción de radiación dispersa sin necesidad de parrilla antidifusora y (3) de eliminación de la superposición de tejidos permitan acercar la imagen pseudo-tomográfica a un sistemas de menor coste y espacio.
• O4: AI para interpretación de imagen, tanto un primer paso de control de calidad que avise de la necesidad de repetir la prueba como en un segundo paso, ayuda al diagnóstico estimando la probabilidad de que el paciente analizado sufra alguna afectación pulmonar a partir de las imágenes adquiridas, asignando en su caso “score”, permitiendo visualizar los hallazgos sobre ellas.
• O5: Generación de las bases de datos necesarias para el entrenamiento de los algoritmos y validar de los resultados obtenidos en un entorno relevante, que en nuestro caso será una sala del Hospital, específicamente acondicionada para pruebas, donde el personal de hospital realizará las pruebas independientes necesarias para asegurar la consecución de un nivel de desarrollo en TRL-5, que permita plantear una inmediata validación clínica con posterioridad a este proyecto. El ámbito clínico prioritario de validación será el screening de cáncer de pulmón. HGGM y UC3M.