Artículo original: Dillman J, Somasundaram E, Brady S, He L. Current and emerging artificial intelligence applications for pediatric abdominal imaging. Pediatric Radiology 2022; 52: 2139–2148
DOI: https://doi.org/10.1007/s00247-021-05057-0
Sociedad: Pediatric Radiology (@PedRadJournal)
Palabras clave: Abdomen, Artificial intelligence, Children, Computed tomography, Deep learning, Machine learning, Magnetic resonance imaging.
Abreviaturas y acrónimos utilizados: Aprendizaje automático (AA), Aprendizaje profundo (AP), Red neuronal convolucional (CNN), Inteligencia artificial (IA), Regiones de interés (ROI), Tomografía computarizada (TC).
Línea editorial: Pediatric Radiology publica en el mes de octubre de 2022, una colección de 19 artículos centrados en la inteligencia artificial en la radiología pediátrica. Presenta una introducción a la inteligencia artificial, su uso actual y futuro, sus distintos modelos de desarrollo o sus posibles beneficios en la salud. Realiza una revisión de su aplicación en la pediatría, abarcando las patologías de tipo abdominal, torácico, cardiovascular, musculoesquelético o neurológico.
Destacaría de todos ellos, otros dos artículos de esta colección, además del que reviso:
- Introduction to the artificial intelligence in pediatric radiology imaging special issue: lo destaco por su utilidad en la comprensión de los conceptos más básicos de la inteligencia artificial, una tecnología con la que no estamos muy familiarizados. No sólo nos introduce a esta nueva herramienta, sino que nos facilita la lectura del resto de artículos.
- Current and emerging artificial intelligence applications in chest imaging: a pediatric perspective: recomiendo la lectura de este otro artículo puesto que complementa de cierta manera al artículo que reviso. El mío trata la patología abdominal, y este la torácica.
Motivos para la selección:
He elegido este artículo porque la inteligencia artificial es un tema sobre el que no tengo mucho conocimiento y sobre el que me gustaría saber más. Además se centra en las aplicaciones y patologías de tipo abdominal, muy comunes en pediatría. Conviene leerlo puesto que en un futuro próximo este tipo de tecnología formará parte de la práctica clínica de los radiólogos.
Resumen:
La inteligencia artificial es una ciencia que imita la inteligencia humana utilizando grandes conjuntos de datos y algoritmos computacionales. El aprendizaje automático, una parte de la IA, permite a los ordenadores realizar tareas aprendiendo automáticamente a través de la experiencia. El aprendizaje profundo, un subgrupo del AA, utiliza una estructura de algoritmos llamada red neuronal convolucional, inspirado en el cerebro. La radiómica es la extracción de características cuantitativas relacionadas con cambios patológicos del tejido que suelen ser difíciles de percibir por el ojo humano. La extracción de estas requiere la segmentación de regiones de interés, ya sea mediante métodos manuales, semiautomatizados o automatizados.
Las elaboradas a mano capturan las apariencias espaciales y las propiedades espectrales de las ROI a través de descriptores de imágenes. Estos datos radiómicos son típicamente de alta dimensionalidad (cientos o incluso miles de características), por lo que se debe seleccionar las que más se correlacionen con el resultado de interés.
El AP tiene capacidad de ajustarse a datos de alta dimensión debido al enorme número de parámetros del modelo (“big data”), superando a los algoritmos tradicionales de AA. Sin embargo, si se ajusta demasiado a los datos de entrenamiento puede no ser capaz de generalizar a otros conjuntos de datos, siendo este sobreajuste su principal debilidad. Para solucionarlo se emplea el «aprendizaje de transferencia», que utiliza modelos desarrollados para otras tareas con el fin de mejorar el rendimiento de los nuevos modelos y las técnicas de aumento de datos para generar datos de entrenamiento sintéticos.
Aplicaciones abdominales pediátricas de la inteligencia artificial
Detección y segmentación automatizadas
Entre las diversas arquitecturas de CNN descritas, la red U y sus variantes son las más utilizadas para la segmentación de imágenes médicas. En la segmentación del hígado se ha encontrado un excelente rendimiento a partir de conjuntos de datos de tomografía computarizada utilizando una red de supervisión profunda combinada con modelos de campo aleatorio condicional. En el caso de la segmentación de los riñones, el uso de una CNN basada en VGG-16 podría ser útil en la esclerosis tuberosa, mientras que el cálculo del volumen esplénico, por ejemplo, podría proporcionar información útil en niños con enfermedades como el linfoma. Varias investigaciones recientes también se han centrado en la segmentación de tejidos de forma más general, como en tejido adiposo visceral y subcutáneo o en la masa muscular en pacientes con sarcopenia.
Caracterización de tejidos y lesiones.
Se ha realizado una tarea de caracterización del parénquima hepático utilizando un modelo de AP multicanal. DeepLiverNet utiliza canales de datos clínicos y de imágenes separados, y una capa de fusión para predecir la rigidez del hígado. El canal de imágenes incluye un bloque de aprendizaje de transferencia mediante la reutilización de VGG-19, un modelo CNN preentrenado para la extracción de características de imagen, y un bloque de aprendizaje adaptativo posterior que se utiliza para aprender características de imagen latentes que sugieren la presencia de rigidez y fibrosis hepática.
Una CNN con ResNet50 ha obtenido buenos resultados al diferenciar lesiones focales hepáticas sólidas benignas de las malignas. Esta red también puede ser aplicada por ejemplo en las masas renales, prediciendo la clasificación histológica sin necesidad de una biopsia, o en el diagnóstico de torsiones de ovario o testículo. Otra posible aplicación de esta tecnología permitiría identificar características en segmentos intestinales inflamados con un alto grado de precisión, así como posiblemente predecir la respuesta al tratamiento o complicaciones futuras en pacientes con la enfermedad de Crohn.
Reconstrucción de imágenes y aprendizaje profundo
En la TC, con la implementación de CNN, se puede eliminar el ruido cuántico de la imagen reconstruida sin cambiar la textura del ruido y la calidad percibida de la imagen, así como una reducción de la dosis de radiación. En la resonancia magnética el objetivo con los pacientes pediátricos será el ahorrar tiempo y, al mismo tiempo, preservar el objetivo clínico de la secuencia de pulsos.
Conclusión
Aunque los métodos de AP ya se emplean, por ejemplo, en la reconstrucción de imágenes, otras aplicaciones como las tareas de clasificación en el diagnóstico requieren todavía más validación y pruebas. Aun así, todo apunta a que la IA acabará formando parte de la práctica clínica de los radiólogos pediátricos.
Valoración personal:
Como aspecto positivo de este artículo, destacaría que trata la tecnología de la inteligencia artificial como una herramienta más que facilite nuestro trabajo y no como un elemento de reemplazo al papel del radiólogo. Tras la lectura es evidente que en un futuro próximo contaremos con este tipo de herramientas en la práctica clínica y su incorporación es ya una realidad. Es nuestro deber familiarizarnos con ella para sacarle el mayor rendimiento posible en un momento donde la carga asistencial es tan demandante.
Me ha parecido interesante conocer las aplicaciones que podrían darse en la patología pediátrica, especialmente las que podrían facilitar la reducción de los tiempos en la obtención de secuencias de resonancia magnética, así como las de reducción de dosis de radiación. Estos dos aspectos me parecen esenciales al tratar con pacientes pediátricos y podrían permitir sin duda una mejora en el rendimiento de la radiología pediátrica.
Como aspectos negativos únicamente comentaré que me ha parecido más interesante y útil la parte del artículo donde se centra en las aplicaciones abdominales de la inteligencia artificial y no tanto en la parte más técnica de cómo se desarrolla esta tecnología.
Adriana Álvarez Zozaya
Hospital San Pedro, Logroño, R3
cbseram.com 
Deja una respuesta