Lan XH, Zhang YX, Yuan WH, Shi F, Guo WL. Image-based deep learning in diagnosing mycoplasma pneumonia on pediatric chest X-rays. BMC Pediatr. 2024 nov 11;24(1):720
https://bmcpediatr.biomedcentral.com/articles/10.1186/s12887-024-05204-0
El diagnóstico correcto y la distinción precisa de la neumonía por Mycoplasma pneumoniae en niños se presenta, a veces, como un gran reto. Para abordar este problema, en el presente estudio, se analizaron las radiografías de tórax utilizando varios modelos basados en Deep Learning.
Se evaluó el desempeño de tres modelos de aprendizaje profundo (ResNet50, DenseNet121 y EfficientNetv2-S) en la clasificación de neumonía por micoplasma pediátrica (MPP) y neumonía viral a partir de imágenes de radiografías de tórax (CXR). De ellos, el modelo ResNet50 mostró el mejor rendimiento general, con una precisión del 80% en el conjunto de validación y del 82,65% y 83,27% en los conjuntos de prueba. También alcanzó valores de AUC de 0,822 y 0,758, destacando por su estabilidad y capacidad de generalización en comparación con DenseNet121 y EfficientNetv2-S, que mostraron menor precisión en los conjuntos de prueba. El ResNet50 fue preentrenado en el conjunto ZhangLabData, lo que mejoró su desempeño en comparación con los pesos genéricos de ImageNet, debido a la relevancia de ZhangLabData para casos pediátricos.
El procesamiento de imágenes, así como la ecualización del histograma, normalización y aumento de datos, mejoró significativamente la generalización del modelo. Además, las técnicas de visualización, Class Activation Mapping (CAM), validaron que las predicciones del modelo coincidían con las áreas típicas de diagnóstico de expertos radiólogos.
El estudio destacó que las características atípicas de la MPP en imágenes radiográficas complican su diagnóstico, explicando los resultados más bajos en comparación con estudios de neumonías bacterianas o virales. También se identificaron ciertas limitaciones en el estudio, como el tamaño reducido de la muestra (769 imágenes), la exclusión de casos mixtos o las infecciones bacterianas y la falta de integración de datos clínicos.
Se recomienda ampliar el conjunto de datos, incorporar variables clínicas y explorar clasificaciones más complejas, que incluyan, por ejemplo, infecciones mixtas, para aumentar la aplicabilidad clínica. A pesar de las limitaciones, el modelo ResNet50 mostró un desempeño sólido y promete ser una herramienta útil para el diagnóstico rápido y preciso de la MPP en escenarios pediátricos.
