Artículo original: Skawran SM, Kambakamba P, Baessler B, von Spiczak J, Kupka M, Müller PC, Moeckli B, Linecker M, Petrowsky H, Reiner CS. Can magnetic resonance imaging radiomics of the pancreas predict postoperative pancreatic fistula. Eur J Radiol 2021;140:109733.
Sociedad: N/A.
DOI: https://doi.org/10.1016/j.ejrad.2021.109733
Abreviaturas y acrónimos utilizados: AUC (Area under the Receiver Operating Characteristic Curve), CCI (Comprehensive Complication Index), CR-POPF (Clinically Relevant POPF), GLCM (Gray Level Cooccurrence Matrix), GLDM (Gray Level Dependence Matrix), GLNU (Gray Level Non Uniformity), GLRLM (Gray Level Run Length Matrix), GLSZM (Gray Level Size Zone Matrix), LDLGLE (Large Dependence Low Gray Level Emphasis), MWMOTE (Majority Weighted Minority Oversampling Technique), NR-POPF (Not Clinically Relevant POPF), PD (Pancreaticoduodenectomy), POPF (Postoperative Pancreatic Fistula), SALGLE (Small Area Low Gray Level Emphasis), T1 SImean (Mean Signal Intensity in T1w GRE in-phase images), T1 SIratio (Relative Signal Intensity in T1w GRE in-phase images), T1w GRE in-phase (T1-weighted gradient-echo in-phase MRI sequence), T2w TSE fs (T2-weighted Turbo Spin Echo MRI sequence with fat saturation), ROI (Region of Interest).
Palabras clave: Magnetic resonance imaging, Artificial intelligence, Pancreas, Pancreatic fistula, Anastomotic leak.
Línea editorial del número: El número 140 de la revista European Journal of Radiology presenta un total de 27 interesantes artículos, centrados en diversas temáticas, siendo las áreas con mayor volumen la de imagen cardiovascular con un total de 5 artículos y la de imagen gastrointestinal con un total de 4.
Dentro de la primera área, se encuentran artículos variados que analizan temas como: diferencias entre las imágenes T1 y T2 de resonancia magnética en pacientes con hemodiálisis y sujetos control, un protocolo para reducción de dosis de medio de contraste y radiación en pacientes subsidiarios de transplante renal, el uso del TC dual para el cálculo del volumen extracelular miocárdico, entre otros. Asimismo, dentro de la segunda, se exploran temas entre los que vale recalcar el uso de la radiomica para predecir fístulas pancreáticas postoperatorias, y el uso del TC dual para diagnóstico de hígado graso.
Otras áreas de imagen como tórax y musculoesquelético también tienen su lugar dentro de este número de revista con artículos como un análisis del diagnóstico del tromboembolismo pulmonar mediante CT, y la imagen molecular en musculoesquelético. Igualmente, se incluye una sección de radiología intervencionista que en general se centra sobre modelos de predicción para complicaciones post procedimientos.
Otras secciones incluidas son las de cabeza y cuello, en cuyos artículos se concentran el uso del TC dual y de la radiomica para la evaluación de carcinomas del área otorrinolaringológica, y neurorradiología que incluye un artículo sobre la imagen del sistema dopaminérgico con el uso de la resonancia magnética farmacológica. También se incluyen artículos de mama, entre los que se pueden resaltar uno que analiza diferencias entre la mamografía digital y sintética.
En general se trata de un volumen que incluye patologías muy variadas, pero cuyos artículos insisten mucho en temas de radiomica, el uso del TC dual para diagnóstico o evaluación de enfermedades, inteligencia artificial y el desarrollo de modelos predictivos para identificar complicaciones en patologías o procedimientos. Siendo por lo tanto la aplicación de la inteligencia artificial en radiología y los modelos predictivos una de las temáticas más insistidas.
Motivos para la selección: La utilización de técnicas de la radiomica para el diagnóstico de enfermedades y predicción de complicaciones es un tema que se encuentra muy en auge en este momento dentro de lo que es la especialidad. La posibilidad de poder detectar características en las imágenes no perceptibles mediante el ojo humano es muy novedosa y a la vez útil, ya que permitirá anticiparse a dificultades en ciertos procedimientos o patologías e igualmente permitirá un diagnóstico más precoz.
Por otro lado, la duodeno-pancreatectomía, es una cirugía muy compleja, en la cual el desarrollo de complicaciones es frecuente, de manera que la utilización de técnicas que predigan el desarrollo de las mismas tiene una implicación clínica importante.
Resumen:
La duodenopancreatectomía constituye una cirugía compleja que puede presentar un alto porcentaje de complicaciones asociadas, siendo la fístula pancreática postoperatoria una de las principales. Calcular el riesgo de desarrollarla, por lo tanto, es importante para los cirujanos, de cara a establecer el pronóstico de los pacientes, que en algunos centros sigue basándose en escalas que requieren de datos postoperatorios, como por ejemplo la escala de Callery.
El tener disponibles predictores preoperatorios del riesgo de desarrollar fístula, ayudará a tener un sistema de triaje de los pacientes candidatos a esta cirugía. Actualmente se ha propuesto el uso del T1 SIratio (radio de la intensidad de señal del páncreas con la intensidad del músculo, en imagen de resonancia magnética potenciada en T1) como un buen predictor. En este contexto, se propone un modelo de radiomica basada en machine learning para predecir esta complicación y compararlo con el T1 SIratio.
Material y métodos
Se realizó un estudio retrospectivo seleccionando a 199 pacientes de un hospital de tercer nivel y que se realizaron esta cirugía entre los años 2008 a 2018, de los cuales 137 fueron excluidos por diversos criterios (no tener resonancia magnética previa, utilizar otra una máquina de resonancia magnética diferente a la establecida en los criterios de inclusión, no cumplir el protocolo de resonancia o la mala calidad de la imagen; el protocolo de imagen general aceptado debía incluir las secuencias T1wGRE en fase y T2wTSE con grasa saturada), quedando finalmente 62 pacientes, de los cuales 17 desarrollaron fístula postoperatoria (siendo considerada como fístula en el estudio solamente cuando tiene presentación clínica relevante, no únicamente con alteración de parámetros bioquímicos).
Una vez seleccionados los pacientes y clasificados como casos y controles, se procedió a seleccionar las secuencias T1 GRE en fase y T2wTSE con grasa saturada, por investigadores que desconocían la condición de caso y control de paciente (estudio ciego), y se colocó un ROI (marcador de región de interés) de al menos 50 mm2 en cuerpo y cola de páncreas, evitando áreas tumorales, el ducto pancreático, la vascularización o la grasa peripancreática, procesando previamente las imágenes y extrayendo un total de 173 características radiomicas. Utilizando el ROI colocado en la secuencia T1wGRE y colocando otro de 15 mm2 de diámetro en el músculo paraespinal derecho, se calculó el radio de intensidad de señal (T1 SIratio) con la fórmula: (T1SI medio del cuerpo + T1 SI medio de la cola) / (2 × T1 SI medio del músculo.)
Previo a la realización de análisis estadísticos y de la clasificación radiomica, se consideró el desbalance entre pacientes con fístula y sin ella, por lo que se realizó una corrección del mismo mediante aumento de datos. Una vez realizado, se aplicó el algoritmo de Boruta a las características radiomicas, quedando elegibles 45, las cuales se clasificaron en grupos (un total de 6 grupos), y se eligió finalmente la que mayor índice de precisión obtuvo. Con lo cual se entrenó un modelo de machine learning utilizando las 6 características y se generaron modelos de predicción realizando un árbol de gradiente y regresión logística de las características radiomicas seleccionadas, y el radio de intensidad. La precisión diagnóstica de ambos modelos se calculó mediante el área bajo la curva.
Resultados
El modelo predictivo basado en machine learning obtuvo un área bajo la curva de 0,82 (IC 95% 0,74-0,89); por su parte, el radio de intensidad de señal obtuvo un área bajo la curva de 0,75 (IC 95% 0,63-0,84). Utilizando ambos combinados, se obtuvo un área bajo la curva de 0,90 (IC DE 0,84-0,95), lo cual demuestra superioridad en la precisión diagnóstica del primer modelo y aún mayor utilizando ambos combinados.
Valoración personal:
Considero este artículo de interés científico, debido a que presenta un modelo de machine learning cuya aplicación podría cambiar la clasificación prequirúrgica de pacientes que requieran la duodenopancreatectomía, pudiendo plantear a futuro la aplicación en práctica clínica de este u otros modelos relacionados en conjunto con los usados actualmente. Esto proporciona al radiólogo un papel fundamental en la evaluación de estos pacientes.
Puntos positivos: Es un artículo que topa un tema novedoso como es el uso de la inteligencia artificial en radiología y su aplicación para intentar generar modelos de predicción que podrían servir en el futuro como modelos de triaje prequirúrgico de amplia utilización.
Puntos negativos: Como puntos negativos me parece importante resaltar que se trata de un estudio retrospectivo y con un número bajo de pacientes. Igualmente, como los autores por sí mismos plantean, el modelo de radiomica se realizó únicamente con regiones de páncreas seleccionadas y no de toda la glándula a ciegas. Todo esto en su totalidad hace que sean necesarios posteriores estudios, preferiblemente prospectivos, para poder llevar esto a la práctica clínica.
María José Galante Mulki
Hospital Universitario Marqués de Valdecilla, R1
cbseram.com 
Deja una respuesta