DETECCIÓN DE CALCIFICACIONES EN LOS TENDONES DEL MANGUITO ROTADOR

Abstract

La tendinopatía calcificante de hombro es una enfermedad caracterizada por el depósito de cristales en los tendones del manguito rotador y cuyo principal síntoma es el dolor. Esta enfermedad es una enfermedad autolimitante y afecta al 33% - 42% de los pacientes con dolor de hombro. En cuanto al diagnóstico, la radiografía de hombro es la principal prueba diagnóstica, no obstante, también se puede llevar a cabo una evaluación de la patología a partir de pruebas de ecografía o resonancia magnética.

Si bien, la tendinopatía calcificante de hombro es una enfermedad ampliamente estudiada y descrita, no existe ningún algoritmo de detección y clasificación de pacientes con calcificaciones basados en inteligencia artificial que permita un diagnóstico precoz de la enfermedad pese a los grandes avances de la aplicación de la ingeniería en medicina. Es por ello, que a lo largo de este trabajo se asientan las bases para el desarrollo de un algoritmo de clasificación de calcificaciones a partir una arquitectura de red (en este trabajo de fin de grado, VGG16 o DenseNet121) ya utilizada en el contexto de la medicina con el objetivo de poder hacer frente a una necesidad médica no cubierta hasta la fecha.

Se seleccionó una muestra basada en las características y en la incidencia de la enfermedad constituida por 198 pacientes y 389 radiografías. Se anonimizaron las radiografías y se normalizaron utilizando dos métodos. Se entrenaron dos arquitecturas de red modificando varios hiperparámetros. Se evaluó el mejor modelo de red de cada arquitectura mediante validación cruzada para encontrar aquel modelo que mejor clasifica pacientes con y sin calcificación.

Como resultado se obtuvo que la arquitectura de red DenseNet121 presenta mejor capacidad predictiva que la VGG16, ya que esta primera posee un área bajo la curva de 0.64 frente a la un 0.52 de la segunda arquitectura. No obstante, dado que ambas capacidades predictivas están muy próxima al azar, se plantearon nuevas líneas de trabajo como el aumento de la base de datos, el procesado de las radiografías con otros tipos de normalización o analizar otras arquitecturas de red con el fin de aumentar los valores obtenidos en la evaluación y de poder desarrollar un clasificador eficaz y útil para la práctica clínica.