- Equipo de la Universidad de Cádiz y el Hospital Puerta del Mar desarrolla un modelo de IA para radiografías de tórax.
- La arquitectura Mamba‑YOLOvX combina atención espacial y de canal con análisis multiescala.
- Mejora la precisión, especialmente en lesiones pequeñas y hallazgos sutiles relacionados con silicosis.
- Proyecto PEOPLE, financiado por la Junta de Andalucía, con datos multicéntricos y más de cien pacientes.
Un equipo de la Universidad de Cádiz y el Hospital Universitario Puerta del Mar ha desarrollado un modelo de inteligencia artificial que actúa como apoyo en el diagnóstico temprano de patologías respiratorias a partir de radiografías de tórax, una línea de I+D financiada por la Junta de Andalucía.
El prototipo, basado en la familia Mamba‑YOLOvX, localiza y clasifica alteraciones de distintos tamaños en radiografías de tórax y ha sido descrito en la revista científica Expert Systems with Applications, orientado a facilitar el trabajo de neumólogos y radiólogos.
Qué aporta y a quién va dirigido
Concebido como herramienta de apoyo clínico, el sistema ayuda a priorizar estudios, reducir la variabilidad interpretativa y resaltar hallazgos sutiles que pueden pasar inadvertidos en una primera lectura.
Es especialmente útil cuando las anomalías son discretas, como ocurre en las fases iniciales de la silicosis, donde las señales radiológicas pueden ser tenues y generar dudas diagnósticas.
Al integrarse en el flujo de trabajo, el modelo puede servir para cribado, segunda lectura o soporte a la decisión, sin sustituir en ningún caso el juicio del especialista.
Cómo funciona el modelo Mamba‑YOLOvX
La propuesta utiliza redes neuronales convolucionales entrenadas con miles de ejemplos anotados para aprender patrones visuales y generalizar a nuevas imágenes con mayor fiabilidad.
Integra mecanismos de atención espacial y de canal que actúan como filtros: concentran el análisis en regiones relevantes del tórax y en características útiles, desestimando lo que no aporta información clínica.
Incluye bloques de escaneo selectivo multiescala, capaces de combinar el contexto global (forma pulmonar, mediastino) con detalles locales (pequeños nódulos o irregularidades), lo que mejora la detección de lesiones pequeñas.
- Contexto + detalle: combina la vista panorámica con microseñales patológicas.
- Atención inteligente: prioriza zonas sospechosas y reduce ruido anatómico.
- Análisis multirresolución: examina la imagen a diferentes escalas para no perder hallazgos sutiles.
Datos, entrenamiento y robustez
Para fortalecer el aprendizaje, se emplearon datos de varios centros hospitalarios y técnicas de aumento de datos que homogenizan la información desde una perspectiva anatómica.
Entre las estrategias aplicadas destacan la segmentación de costillas y la alineación de puntos clave del tórax, con el fin de generar conjuntos de entrenamiento coherentes y robustos frente a diferencias de resolución o equipamiento.
El proyecto ha contado con la colaboración de más de cien pacientes de la provincia de Cádiz, lo que refuerza la validez del modelo en escenarios reales y su potencial transferibilidad.
Resultados y publicación
Según la evaluación presentada, el sistema logra mejoras en precisión diagnóstica frente a métodos recientes, con ventaja notable en la identificación de lesiones pequeñas que suelen ser difíciles de detectar.
Los hallazgos se recogen en el artículo Localization and classification of abnormalities on chest X‑ray images using a Mamba‑YOLOvX model en Expert Systems with Applications, donde se detalla la metodología, las métricas empleadas y el análisis comparativo.
Un proyecto con foco en la silicosis
Este trabajo se enmarca en PEOPLE, iniciativa de la Junta de Andalucía orientada a dotar al sistema sanitario de herramientas de IA para el diagnóstico temprano y la predicción de pronóstico en silicosis, una enfermedad asociada a la exposición a sílice cristalina.
Además del análisis de radiografías de tórax, el consorcio explora modelos que integran biomarcadores sanguíneos y TC de alta resolución para avanzar hacia enfoques multimodales.
Aplicación clínica y próximos pasos
Por su diseño, el modelo puede incorporarse como segunda lectura automatizada, apoyar el triaje de estudios y aportar consistencia en la interpretación; su implementación requerirá validaciones adicionales, integración con sistemas PACS y evaluación en entornos reales.
Con una financiación pública y una base metodológica sólida, esta línea de I+D acerca la IA a la práctica clínica en España, con potencial expansión a otras patologías respiratorias más allá de la silicosis.
La combinación de datos multicéntricos, técnicas de atención y análisis multiescala, junto con una orientación clara a la clínica, sitúa a este modelo inteligente como un aliado para mejorar la detección de alteraciones pulmonares y apoyar decisiones diagnósticas con mayor seguridad.