Artículo original: Chan J, Auffermann WF. Artificial Intelligence in the Imaging of Diffuse Lung Disease. Radiol Clin North Am. 2022;60(6):1033-1040.
DOI: https://doi.org/10.1016/j.rcl.2022.06.014
Sociedad a la que pertenece: Radiologic Clinics of North America (@RSNA)
Palabras clave: Deep learning, Enfermedad pulmonar intersticial, HRCT, Inteligencia artificial.
Abreviaturas y acrónimos utilizados: AIP (afectación intersticial pulmonar), DL (Deep learning), IA (inteligencia artificial), ILA (Interstitial lung abnormalities), EPD (Enfermedad pulmonar difusa), FPI (fibrosis pulmonar idiopática).
Línea editorial: Radiologic Clinics of North America es una publicación bimensual de la Sociedad Norteamericana de Radiología con números monográficos. El número de noviembre se centra en la enfermedad pulmonar difusa abarcando todo su espectro, destacando artículos educacionales detallados sobre la fibrosis pulmonar idiopática, la neumonitis por hipersensibilidad, la enfermedad quística pulmonar y la afectación pulmonar en enfermedades del tejido conectivo.
Todas estas revisiones tienen por objetivo otorgar herramientas a los lectores para interpretar los patrones radiológicos de la afectación pulmonar intersticial, su diagnóstico diferencial, grado de afectación y valoración de su probable evolución.
Motivos para la selección: La interpretación de las enfermedades difusas pulmonares supone a menudo un reto diagnóstico, con elevada variabilidad interobservador, incluso entre radiólogos con experiencia en radiología torácica. Ante este problema, el artículo que he escogido lanza una vía de investigación para una posible solución: el uso de herramientas de Inteligencia Artificial y Deep learning como ayuda para la valoración del parénquima. Me parece interesante el conocer las ventajas, inconvenientes, puntos de mejora y retos futuros de estas técnicas, así como el State-of-art de la IA en radiología torácica.
Resumen:
Las enfermedades pulmonares difusas (EPD) son un grupo de patologías heterogéneo que puede ser difícil de evaluar por imagen debido al elevado solapamiento entre las diferentes entidades. La IA ofrece nuevas herramientas para la evaluación y cuantificación de pacientes con EPD, no obstante su aplicación resulta desafiante debido a que los hallazgos en imagen son inespecíficos, y a que se visualizan los mismos hallazgos en diversas patologías (Neumonitis por hipersensibilidad, FPI, sarcoidosis…).
Las herramientas informáticas son capaces de analizar sets de datos multidimensionales donde el número de variables va más allá de la capacidad de los humanos para entenderlo. En imagen médica se están utilizando nuevas formas de IA que son capaces de aprender y extraer información de los datos que analizan como son el deep learning (DL) y las redes neurales convolucionales (CNN). En radiología torácica se han empezado a implantar recientemente estas herramientas en diferentes partes del proceso diagnóstico:
- Detección
La detección de anomalías pulmonares en ausencia de contexto clínico es difícil y con amplio margen de error. Por ello, para afrontar este problema se plantea una pregunta más acotada: ¿Hay anomalías intersticiales (ILA) en esta TC de tórax de un paciente con alto riesgo de ILA?
Las ILAs son más comunes en los pacientes de edad avanzada y en los fumadores, y se asocian con mala evolución clínica y un aumento de la mortalidad, incluso en ausencia de enfermedad pulmonar intersticial, pudiendo ser precursores del desarrollo de la FPI o de la neumonía aguda, por lo que resulta especialmente importante detectar de forma temprana su existencia.
El uso de algoritmos de DL para detectar los ILA en la TC es un tema de investigación candente. Un estudio reciente (COPDGene13) exploró el uso de un conjunto de 7 CNN profundas para la TC de tórax del estudio. El algoritmo fue capaz de detectar la presencia de ILAs con una sensibilidad del 91% y una especificidad del 98%. Los ILA y, en particular, la detección de anomalías reticulares, bronquiectasias de tracción u opacidades en vidrio deslustrado que afectan a más de un 5% del parénquima, son un área rica para la investigación futura de la IA, sobre todo para determinar qué ILAs predicen un mal resultado clínico o el desarrollo de FPI o AIP.
- Caracterización
La caracterización de la enfermedad pulmonar intersticial es un tema complejo dado que es difícil establecer un diagnóstico con seguridad incluso utilizando la tecnología y los criterios actuales, pudiendo haber un desacuerdo sustancial entre los radiólogos.
En estudios recientes se ha usado la IA para caracterizar el tipo de anomalía intersticial pulmonar y discernir entre opacidades en vidrio deslustrado, consolidaciones, opacidades reticulares, enfisema y panal, con una precisión de hasta el 95%. No obstante, el paso de la caracterización de la anomalía al diagnóstico es todavía labor del radiólogo.
- Cuantificación / Segmentación
Una segmentación precisa es la base para la caracterización del tipo de parénquima pulmonar anormal y es fundamental para determinar de forma reproducible la extensión de la enfermedad y seguir la progresión de la misma en TC seriados. La segmentación cuantitativa de las partes alteradas del pulmón se hace mediante IA en términos de volumen total del parénquima pulmonar anormal.
No obstante, a medida que la EPI de tipo fibrótico progresa, pueden verse afectadas más zonas del pulmón, pero también el volumen de las zonas pulmonares ya afectadas. Esto supone un reto para los modelos de DL que sólo siguen el volumen total en los exámenes de tórax, pudiendo otorgar resultados falsos. Un estudio reciente ha superado este reto mediante el uso de un registro elástico de la TC de tórax de pacientes con esclerosis sistémica para proporcionar una evaluación longitudinal más precisa de la extensión del parénquima pulmonar anormal. Este modelo fue capaz de predecir la progresión morfológica de la enfermedad con una precisión del 80%. Además, se descubrió que una pérdida de volumen pulmonar total anual del 7,9% o superior se asociaba a un mayor riesgo de eventos adversos mayores, y que los pacientes con FPI tenían una media de pérdida de volumen de 156 ml al año, mientras que los con EPI no relacionada con la FPI sólo tenían una pérdida de 51 ml.
En general, siguiendo los volúmenes pulmonares totales, determinados por un modelo de DL, o un enfoque más sofisticado mediante combinación de técnicas de regresión elástica con un modelo de DL, son actualmente los métodos más precisos de determinar la progresión de la enfermedad por imágenes en exámenes torácicos de TC seriados.
Si bien estos resultados son prometedores, hay retos futuros que resolver. Entre ellos destaca la gran cantidad de algoritmos de IA existentes y la propiedad privada de la mayoría de ellos. Este hecho lleva a claras dificultades a la hora de comparar resultados de diferentes estudios, aunque puede ser parcialmente resuelto por la implementación de test de estandarización entre los datos, si bien no se dispone todavía de herramientas de validación comprobadas. Solo el desarrollo de bases de datos grandes, heterogéneas y adecuadamente validadas hará en un futuro que se puedan extraer conclusiones significativas de los datos analizados.
Valoración personal:
Artículo recomendable para su lectura como primer acercamiento a la IA torácica; claro, preciso y de fácil lectura. No obstante, considero que falta contexto sobre la IA y el DL y mayor desarrollo del método de los estudios resaltados.
La IA en la radiología de tórax sigue siendo algo lejos de la radiología del día a día, no obstante si que creo que su aplicación sobre problemas concretos como la detección de nódulos, anomalías intersticiales o graduar la afectación parenquimatosa podría ser útil a nivel asistencial, mayoritariamente por su valor predictivo negativo.
Otro punto a tener en cuenta es la relevancia del contexto clínico-analítico y la historia personal o familiar del paciente para la interpretación de las imágenes. Este hecho resalta el papel de nuestra especialidad y nos sitúa como radiólogos clínicos y, a la par, abre el debate sobre la necesariedad de un método eficiente de comunicación entre el PACS y los sistemas de Historia Clínica en los hospitales.
Alba Salgado Parente
Hospital Ramón y Cajal, R3
cbseram.com 
Deja una respuesta