Artículo original: Howard JP, Chow K, Chacko L, Fontana M, Cole GD, Kellman P, Xue H. Automated Inline Myocardial Segmentation of Joint T1 and T2 Mapping Using Deep Learning. Radiol Artif Intell. 2022 Nov 9;5(1).
DOI: https://doi.org/10.1148/ryai.220050
Sociedad: Radiological Society of North America (@RSNA)
Palabras clave: Deep learning, Inteligencia Artificial, Myocardial Segmentation.
Abreviaturas y acrónimos utilizados: CNN (red neuronal convolucional), IA (Inteligencia Artificial), mSASHA (secuencia de adquisición de un solo disparo de saturación y recuperación multiparamétrica en respiración libre), RMC (resonancia magnética cardiaca), RSNA (Radiological Society of North America).
Línea editorial: Radiology: Artificial Intelligence es una revista online bimensual que empezó a publicarse en enero de 2019, enfocada en la investigación y el desarrollo de inteligencia artificial (IA) en el campo de la radiología y la atención médica.
Aborda temas relacionados con el uso de algoritmos de aprendizaje automático, redes neuronales y otras tecnologías de IA. Las publicaciones incluyen investigaciones originales, revisiones y aplicaciones clínicas relacionadas con la inteligencia artificial en radiología.
Esta revista es parte de Radiological Society of North America (RSNA), una organización líder en radiología y ciencias médicas que tiene como objetivo promover el avance de la radiología y la atención médica relacionada.
Algunos de los artículos publicados que me han resultado más interesantes y que recomiendo son: Artificial Intelligence and Radiology Education que enfatiza en la necesidad de que los radiólogos adquieran conocimientos en IA debido a la creciente implementación de estas aplicaciones en la práctica clínica; A Deep Learning Decision Support Tool to Improve Risk Stratification and Reduce Unnecessary Biopsies in BI-RADS 4 Mammograms estudio multicéntrico para evaluar el rendimiento de un modelo algorítmico de apoyo a la decisión de biopsia (calculador de riesgo de cáncer de mama inteligente aumentado iBRISK).
Motivos para la selección: La IA está en auge en los últimos años y está desempeñando un papel cada vez más importante en la radiología. Ha revolucionado la interpretación de imágenes con el objetivo de mejorar la precisión y la eficiencia del diagnóstico. Los algoritmos de IA son capaces de analizar grandes volúmenes de imágenes en poco tiempo, lo que permite una toma de decisiones más rápida y precisa.
La IA también juega un papel en la investigación clínica al analizar grandes conjuntos de datos y descubrir patrones y tendencias ocultas. Me parece interesante la incorporación de la IA en este ámbito para lo que es necesario que se lleven a campo estudios de estos modelos de Deep Learning como el que he seleccionado para corroborar la precisión y sistematizar el uso de los mismos.
Cabe destacar que la adopción de la IA en radiología no está exenta de desafíos. La privacidad de los datos y la seguridad cibernética son preocupaciones importantes. Además, la capacitación de los profesionales en el uso de la IA es fundamental para garantizar su implementación efectiva y responsable.
Resumen:
El mapeo paramétrico permite la caracterización cuantitativa de los tejidos cardíacos a través del cálculo de los tiempos locales de relajación T1 y T2. El mapeo T1 se puede realizar sin la administración de contraste (T1 nativo) o tras la administración del mismo. Un T1 nativo o T2 elevado es indicativo de edema, mientras que un T1 nativo reducido sugiere almacenamiento de hierro o presencia de grasa. El mapeo de T1 post-contraste se puede utilizar para detectar tejido cicatrizado o un aumento del volumen extracelular. La práctica actual implica adquirir mapas de T1 y T2 en adquisiciones separadas, lo que puede requerir apneas y resultar difícil para algunos pacientes. Además, estas imágenes a menudo son tediosas y difíciles de interpretar para los profesionales, con fronteras indefinidas entre la cicatriz endocárdica y el pool de sangre en los mapas de T1 post-contraste y entre el epicardio y la grasa epicárdica en los mapas de T2.
El objetivo del estudio es desarrollar una solución de inteligencia artificial (IA) para la segmentación y análisis automatizado de imágenes de resonancia magnética cardíaca (RMC) de mapeo T1 y T2 en ejes cortos con una secuencia de adquisición de un solo disparo de saturación y recuperación multiparamétrica en respiración libre (mSASHA) obteniendo mapas de T1 y T2 registrados sin necesidad de apnea. Se desarrolló un proceso de procesamiento utilizando una red neuronal convolucional (CNN) para segmentar los límites del miocardio endocárdico y epicárdico y se comparó la concordancia con dos expertos radiólogos.
Se trata de un estudio retrospectivo en el cual se utilizaron secuencias de mapeo T1 y T2 en conjunto para adquirir un total de 4240 mapas de 807 pacientes en dos hospitales entre marzo y noviembre de 2020. La muestra del estudio incluyó pacientes consecutivos escaneados en dos hospitales, con una variedad de condiciones patológicas que reflejaban la práctica clínica normal.
Se adquirieron secciones de imágenes en los planos basal, medio y apical en cortes de eje corto para cada paciente. Se obtuvieron mapas conjuntos de T1 y T2 tanto antes como después de la administración de gadolinio, cuando fue clínicamente necesario. Las resonancias magnéticas se realizaron con equipos de 1.5 teslas.
Se obtuvieron resultados muy interesantes demostrando que las mediciones derivadas de la IA se correlacionaron estrechamente con las de dos expertos radiolólogos tanto en los mapas nativos de T1, en los mapas de T1 post-contraste y en los mapas de T2. Para cada medida, el coeficiente de correlación interobservador se encontraba dentro del rango de concordancia entre la IA y los expertos. Con el uso de mapas de T1 y T2 adquiridos simultáneamente como entrada de la IA, la tasa de fallos de segmentación se redujo del 3.8% al 0.8% en comparación con el uso de solo mapas de T1.
Este estudio difiere de investigaciones previas en varios aspectos importantes. En primer lugar, se observó que la capacidad de adquirir mapas de T1 y T2 de forma simultánea utilizando la secuencia mSASHA mejoró significativamente el rendimiento del sistema de IA. Además, en lugar de utilizar un enfoque de segmentación semántica tradicional, se empleó un enfoque de estimación de probabilidad de bordes permitiendo una segmentación más precisa, especialmente en las áreas críticas de los bordes endocárdicos y epicárdicos.
El estudio presenta algunas limitaciones como el uso de equipos de RM específicos (Siemens 1.5 T), la falta de características de referencia a nivel de pacientes debido a restricciones éticas, la adquisición únicamente de mapas de cortes transversales basales, medios y apicales (sin embargo podría aplicarse al mapeo multiparamétrico de ejes largos y podría ser un enfoque de futuros trabajos) y el hecho de que el análisis se centró en 16 segmentos del miocardio, lo que podría subestimar áreas más pequeñas de señal anormal.
En resumen, el estudio demuestra que la aplicación de la inteligencia artificial para la segmentación automática de mapas de resonancia magnética cardíaca T1 y T2 es altamente efectiva y precisa. La capacidad de adquirir estos mapas de forma simultánea, junto con el enfoque de estimación de probabilidad de bordes, mejora significativamente el rendimiento del sistema. La implementación de esta solución en la práctica clínica podría agilizar la interpretación de los resultados de resonancia magnética cardíaca y ayudar en su trabajo a los profesionales.
Valoración personal:
Me parece un artículo muy interesante al tratarse de un estudio original sobre dos temas tan de actualidad como son la RMC y la IA.
Un punto que considero de gran interés es el uso de la secuencia de adquisición mSASHA, que permite la obtención de mapas de T1 y T2 de forma simultánea sin requerir apnea. Este avance tecnológico mejora significativamente la eficiencia de la adquisición de imágenes.
Me parecen muy interesantes los resultados prometedores en cuanto a la estrecha correlación de la IA con los resultados de los expertos. Además, las limitaciones del estudio se abordan de manera transparente y proponen soluciones a las mismas.
También me gusta el enfoque del estudio considerando la IA una herramienta de ayuda en el trabajo de los profesionales y no como una amenaza. Considero que es importante aprovechar las herramientas que van surgiendo para mejorar nuestro desarrollo profesional.
Por otra parte, siempre hay que tener en cuenta los posibles aspectos negativos que pueden conllevar estas herramientas, tanto en el aspecto ético como de la práctica diaria.
Marina Siesto Marcos
Hospital Universitario de Getafe, R2
cbseram.com 
Deja un comentario