Descripción de patrones radiológicos de la enfermedad pulmonar intersticial difusa mediante inteligencia artificial

Abstract

A pesar de los avances en inteligencia artificial (IA) y el procesamiento de imágenes médicas para el diagnóstico de Enfermedades Pulmonares Intersticiales Difusas (EPID), la identificación de sus patrones radiológicos sigue representando un desafío significativo. Esto se debe a la complejidad intrínseca de los patrones, la variabilidad en la experiencia de los médicos y la influencia de la percepción visual, lo que puede llevar a diagnósticos erróneos y tratamientos inadecuados, incrementando el riesgo de complicaciones graves.

Si bien existen enfoques basados en extracción de características y modelos de clasificación automatizada que han demostrado resultados prometedores en la detección de patrones radiológicos de EPID (Anthimopoulos et al., 2014; Titus et al., 2015; Ajin & Mredhula, 2017), estos enfrentan un obstáculo crítico en su interpretabilidad dentro de los entornos clínicos. La falta de transparencia y explicabilidad en estos modelos dificulta su adopción, ya que los médicos requieren comprender cómo y por qué se generan los diagnósticos, en lugar de recibir únicamente resultados de clasificación sin justificación clara.

En respuesta a este desafío, la presente investigación propone el uso de modelos de aprendizaje automático que no solo mejoren la identificación automática de patrones radiológicos, sino que también sean capaces de proporcionar explicaciones claras y comprensibles sobre las características más relevantes para el diagnóstico de EPID. Para ello, se integra el enfoque de Inteligencia Artificial Explicable (XAI, Explainable AI), lo que permite aumentar la confianza en el sistema, facilitando así su aceptación en la práctica clínica y mejorando la toma de decisiones médicas.