Artículo original: Goel A, Shih G, Riyahi S, Jeph S, Dev H, Hu R, Romano D, Teichman K, Blumenfeld JD, Barash I, Chicos I, Rennert H, Prince MR. Deployed Deep Learning Kidney Segmentation for Polycystic Kidney Disease MRI. Radiol Artif Intell. 2022 Feb 16;4(2):e210205.
DOI: 10.1148/ryai.210205
Sociedad: Radiological Society of North America (@RSNA)
Palabras clave: Convolutional Neural Network (CNN), Segmentation, Kidney.
Abreviaturas y acrónimos utilizados: ADPKD (enfermedad renal poliquística autosómica dominante), AI (Artificial intelligence), CLAIM (Checklist for Artificial Intelligence in Medical Imaging), DSC (Dice similarity coefficient), htTKV (Total Kidney Volume indexed to the height of the patient), IA (inteligencia artificial), IC (intervalo de confianza), TKV (Total Kidney Volume), RM (resonancia magnética).
Línea editorial: La revista Radiology: IA se publica en forma de artículos online bimensuales que están disponibles de forma gratuita para los miembros de la RSNA. Su objetivo es abordar aplicaciones emergentes de la inteligencia artificial en el campo de la imagen en múltiples disciplinas, incluidas la medicina y la informática. La revista se centra principalmente en líneas editoriales, reportajes sobre temas de alta demanda y estudios originales de temas relacionados con la IA. Los estudios de mayor importancia son agrupados en colecciones específicas para facilitar su acceso. Existen tres colecciones actualmente: Magician´s corner con artículos que buscan desmitificar las herramientas, procesos y resultados del aprendizaje profundo; Mitigating bias una colección de artículos para abordar los desafíos particulares del sesgo en los sistemas de IA de imágenes médicas y por último; Imaging IA in practice, compuesto por los trabajos que han conseguido llevar la IA a la práctica clínica habitual y no solo hacer pruebas de concepto o descripciones técnicas. Los objetivos de esta última colección quedan descritos en el siguiente artículo de la revista “AI in Practice: Introducing the Special Issue”, donde también se hace referencia a los estudios más relevantes hasta la actualidad, de los cuales se ha seleccionado el artículo de la revisión. Para llevar a cabo una correcta revisión del artículo se realiza una lectura crítica utilizando los criterios propuestos en esta misma revista, los conocidos como criterios CLAIM.
Motivos para la selección: Este artículo merece ser revisado porque permite conocer una aplicación práctica de la IA en el trabajo diario del radiólogo. No es una prueba de concepto, sino un estudio que permite valorar una utilidad concreta de la implementación de la IA en el flujo de trabajo diario del radiólogo, midiendo una serie de parámetros que tienen un impacto real sobre la práctica clínica, como por ejemplo, el tiempo empleado en el estudio.
Resumen:
Este estudio desarrolla, valida e implementa una herramienta de aprendizaje profundo para segmentar los riñones y medir automáticamente el volumen renal total (TKV) (un marcador de la gravedad de la enfermedad) en imágenes de RM ponderadas en T2 de pacientes con enfermedad renal poliquística autosómica dominante (ADPKD).
La poliquistosis renal autosómica dominante afecta a 12,5 millones de personas en todo el mundo. El TKV es un biomarcador de imagen importante para evaluar la gravedad de la ADPKD y estimar el tiempo pronóstico hasta la diálisis. La clasificación de Mayo utiliza el htVKT en un único punto temporal, ajustado a la edad y a la tasa de crecimiento renal estimada, para predecir el tiempo hasta la diálisis. El htVKT también es un biomarcador importante para valorar la elegibilidad para el tratamiento con tolvaptán y para el seguimiento de los pacientes que toman tolvaptán. Por lo tanto, es un biomarcador cada vez más demandado por los clínicos. Dado que el TKV aumenta solo entre un 2% y un 5% por año, se necesita un método altamente reproducible e independiente del operador para medir los volúmenes renales.
El modelo de este estudio se basó en la arquitectura UNet con un codificador EfficientNet, desarrollado de forma retrospectiva a partir de 213 estudios de RM abdominal en 129 pacientes con ADPKD del Rogosin Institute ADPK Repository. Los pacientes se dividieron aleatoriamente en 70% para el entrenamiento, 15% para la validación y 15% para el testeo del modelo. Además, se realizó una validación externa con 20 pacientes estudiados en instituciones externas.
Por último, se utilizaron los estudios de RM de 53 pacientes para una evaluación prospectiva de la implementación clínica de la herramienta y se midió tanto la precisión en la segmentación con respecto a la medición manual como el tiempo empleado para realizar dicha tarea.
Se describe correcta- y detalladamente la técnica de RM llevada a cabo, el programa de código y el framework utilizado, así como los procesos de anonimización y normalización de los datos, cumpliendo los criterios CLAIM.
Las referencias utilizadas por el sistema de aprendizaje profundo fueron los casos segmentados manualmente por un residente de radiología y un adjunto que sumaban una experiencia combinada de 25 años.
Se describe correctamente cuáles son los software utilizados para implementar la herramienta en las estaciones de trabajo.
En el análisis estadístico se compara la medición manual y la realizada por el modelo, utilizando el DSC y el análisis de Bland-Altman. La importancia del ahorro de tiempo de la anotación asistida se evaluó con la prueba t de Student (pareada).
En cuanto a los resultados, el rendimiento del modelo en los estudios de validación de RM (53 prospectivos, 20 de instituciones externas) demostró un DSC superior a 0,97 (cuartil Q1>0,94) y una diferencia porcentual media de Bland-Altman en el volumen renal total (modelo frente a referencia manual) inferior al 3,6 % (IC95%: 2,0%, 5,2%).
Se evaluó la eficiencia de la anotación asistida por modelo en la primera mitad de los casos prospectivos (n=28), con una reducción media del 51% en el tiempo de contorneado (p<0,001), de 1724 segundos (IC95%: 1373 , 2075) a 723 segundos (IC95%: 555, 892).
En conclusión, el modelo de inteligencia artificial implementado en la práctica clínica realiza con precisión la segmentación automatizada para la estimación del TKV en riñones poliquísticos y reduce el tiempo de contorneado por el experto.
Valoración personal:
La IA se ha convertido en un tema popular en radiología debido a su potencial para cambiar la forma en la que ejercemos todas las subespecialidades. Se han demostrado avances técnicos, algoritmos y pruebas de concepto. Pero el impacto de la IA en la atención al paciente o en la práctica clínica requiere ir más allá de la creación de la IA y pasar a su despliegue en entornos clínicos para su uso rutinario.
Se trata de un reto difícil y el ritmo ha sido más lento de lo previsto por quienes predijeron que la IA acabaría con la radiología como profesión. Varios años después del auge de la IA en radiología, vemos cómo se alcanza este objetivo a medida que se publican manuscritos breves sobre la IA en la práctica clínica. En mi opinión la IA en un futuro podrá ayudarnos a automatizar tareas tediosas como la segmentación, haciendo que los análisis sean más eficientes y coherentes, siendo este artículo un claro ejemplo de lo que se está consiguiendo.
Aún así quedan muchos retos por abordar sobre la implantación de la IA, como las normas para una integración eficaz en los flujos de trabajo, el control de calidad, la supervisión y la detección de sesgos.
Álvaro Palazón Ruiz de Temiño
Hospital General Universitario Dr. Balmis, Alicante, R2
a.palazon.rtm@gmail.com
cbseram.com 
Deja una respuesta