Artículo original: Jun Y, Park YW, Shin H, Shin Y, Lee JR, Han K, et al. Intelligent noninvasive meningioma grading with a fully automatic segmentation using interpretable multiparametric Deep Learning. European Radiology. 2023;33(9):6124-33.
DOI: 10.1007/s00330-023-09590-4
Sociedad: European Society of Radiology (@myESR).
Palabras clave: Interpretable, Deep learning, Magnetic resonance imaging, Meningioma grading.
Abreviaturas y acrónimos utilizados: AUC (Area Under Curve), DL (Deep Learning), RCAM (Relevance-weighted Class Activation Mapping), RM (Resonancia Magnética), WHO (World Health Organization)
Línea editorial:
European Radiology es una revista científica de publicación mensual que nos ofrece artículos originales, revisiones novedosas sobre temas de vanguardia y comunicaciones cortas de congresos europeos. El volumen del mes de Septiembre, incluye 78 artículos que tratan sobre innovaciones dentro de los distintos campos de la radiología, principalmente sobre neurorradiología, radiología musculoesquelética y radiología digestiva. Varios de los artículos recogidos, incluido el que he seleccionado para esta revisión, abordan novedades de la inteligencia artificial dentro de la radiología, tema de gran auge en la actualidad y en constante expansión. Dentro de este campo, me gustaría destacar también Deep learning of image-derived measures of body composition in pediatric, adolescent, and young adult lymphoma: association with late treatment effects y Semiautomated segmentation of hepatocellular carcinoma tumors with MRI using convolutional neural networks, dos artículos que proponen modelos de Deep Learning con distintas aplicaciones clínicas.
Motivos para la selección:
He escogido este artículo sobre inteligencia artificial ya que, aunque se trata de un tema que en muchos aspectos aún se encuentra en investigación y, por tanto, su aplicación práctica en el momento actual se encuentra limitada, creo que es interesante que conozcamos sus progresos y las posibilidades que nos puede llegar a ofrecer.
Resumen:
Los meningiomas son los tumores primarios intracraneales más frecuentes en el adulto. Su histopatología y presentación clínica es variada, siendo la mayoría (80%) clasificados como tumores de bajo grado (WHO grado 1) y el resto de alto grado (WHO grado 2 o 3), siendo estos últimos de comportamiento más agresivo y de peor pronóstico.
La predicción preoperatoria del grado de los meningiomas es importante ya que influye en la toma de decisión terapéutica. La RM es la prueba de imagen de elección para el diagnóstico, planificación terapéutica y monitorización del efecto terapéutico de estas lesiones. Sin embargo, su capacidad para clasificar los meningiomas no está del todo reconocida, debido a la dificultad de encontrar hallazgos por imagen que diferencien un grado de otro. Además, aunque la segmentación y el análisis volumétrico de estas lesiones es de utilidad para su diagnóstico y seguimiento, la segmentación manual es compleja y está sujeta a variabilidad inter e intra-observador, y los modelos DL de segmentación automática desarrollados hasta la fecha no han sido validados externamente.
El objetivo de este estudio es construir un modelo DL multiparamétrico que permita la clasificación automática no-invasiva de los meningiomas junto con su segmentación, validar externamente su solidez y determinar aquellos rasgos por imagen que contribuyan a la predicción de su grado.
Se realizó un estudio retrospectivo que incluyó 257 pacientes con meningiomas confirmados histológicamente entre febrero de 2008 y septiembre de 2018 (162 de bajo grado y 95 de alto grado) y que habían sido sometidos a una RM preoperatoria convencional (que incluía secuencias T1 con gadolinio y T2). Así mismo, se estableció un conjunto de validación externa con idénticos criterios conformado por 61 pacientes (46 con diagnóstico de meningioma de bajo grado y 15 de alto grado) extraídos del Ewha Womans University Mokdong Hospital.
Se construyó un modelo DL en “dos pasos” para segmentar y clasificar los meningiomas, basado en los modelos tridimensionales U-net y ResNet. El modelo desarrollado estaba compuesto por una red de segmentación de las lesiones a partir de imágenes multiparamétricas (utilizando únicamente imágenes T1 con contraste, únicamente imágenes T2, o una combinación de ambas) y por una red de clasificación que determina el grado de los meningiomas en base a esas imágenes segmentadas. Para analizar e interpretar esta red de clasificación se utilizó el método RCAM, que genera mapas de activación a partir de las imágenes segmentadas que permiten determinar aquellos rasgos de la lesión que contribuyen a predecir su grado histológico. Así mismo, para comparar el modelo DL con la lectura humana, dos neurorradiólogos se encargaron también de valorar el grado de los meningiomas (según su nivel de confianza, determinándolos en probablemente/ definitivamente de bajo/alto grado).
Una vez desarrollado el modelo DL, se evaluó su capacidad de segmentación mediante el coeficiente Dice y su rendimiento de clasificación a través de conjuntos de validación interna y externa. Además, se evaluó la precisión del modelo DL respecto a lectura humana con un análisis de regresión logística. Por último, se determinó el rendimiento predictivo del modelo DL calculando el AUC, su precisión, sensibilidad y especificidad.
En la validación externa, el estudio determinó que el modelo DL que combinaba secuencias T1 con contraste y T2, ofrecía resultados prometedores para la clasificación y segmentación automática de los meningiomas respecto a los estudios realizados hasta la fecha, que tenían un tamaño muestral pequeño y no incluían un conjunto de validación externa. De este modelo, destaca por tanto su capacidad de segmentación automática (con un coeficiente Dice de 0,910 en la validación externa) que permitiría reemplazar la segmentación manual (y el consumo de tiempo que supone) y que proporciona un análisis volumétrico de los meningiomas, de alta importancia para su diagnóstico, planificación terapéutica y seguimiento. Por otro lado, el modelo mostró un AUC de 0,770 y una precisión de 72,1% en la clasificación de los meningiomas, el más alto reportado hasta la fecha y así mismo mayor que en los lectores humanos. Es interesante destacar que el análisis RCAM mostró una activación de los mapas de segmentación en los márgenes de las lesiones, lo que sugiere que las características de los márgenes tumorales varían entre meningiomas de bajo y alto grado.
La conclusión del estudio fue, por tanto, que un modelo DL multiparamétrico que combina secuencias T1 con contraste y T2 puede permitir la clasificación y segmentación automáticas de los meningiomas.
Valoración personal:
Como punto positivo del estudio, destacaría en primer lugar su solidez, teniendo en cuenta que es un estudio con validación externa, algo que le diferencia del resto de trabajos que se habían realizado hasta la fecha y que realmente es el aspecto más importante de cualquier estudio: saber que el modelo propuesto funciona no solamente en condiciones ideales, sino también en la práctica clínica rutinaria. Así mismo, el hecho de que las secuencias evaluadas (T1 con contraste y T2) forman parte del protocolo convencional de RM, hace que este modelo sea más aplicable en condiciones reales, ya que no requiere secuencias más específicas.
Como punto negativo, señalaría que el tamaño muestral incluido en el estudio y en el conjunto de validación externa no es amplio, por lo que sería necesario aplicar el modelo DL en una muestra de pacientes mayor.
Por último, quiero añadir que el artículo puede resultar un poco complicado de leer. Es necesario tener un conocimiento previo sobre inteligencia artificial y sobre Deep Learning para entender bien el funcionamiento del modelo propuesto. Así mismo, se trata de un tema muy específico dentro de la neurorradiología, por lo que no creo que sea de utilidad para residentes pequeños.
Elena Julián Gómez
Hospital Universitario Marqués de Valdecilla, Santander, R3
cbseram.com 
Deja un comentario