Artículo original: E. Serrano, J. Moreno, L. Llull, A. Rodríguez, C. Zwanzger, S. Amaro, L. Oleaga, A. López-Rueda. Clasificadores de aprendizaje supervisado no lineales basados en radiómica de la TC cerebral sin contraste para predecir el pronóstico funcional en pacientes con hematoma intracerebral espontáneo. Radiología. 2023; 65(6): 519-530.
DOI: 10.1016/j.rx.2023.08.001.
Sociedad: Sociedad Española de Radiología (SERAM).
Palabras clave: Accidente cerebrovascular agudo, Biomarcadores, CT scanner, Hemorragia intracerebral, Inteligencia artificial, X-ray.
Abreviaturas y acrónimos utilizados: AUC (Área bajo la curva), ACV (Accidente Cerebrovascular), KNN-E (Distancia Euclidiana), KNN-M (Distancia Manhattan), mRS (Escala Modificada de Rankin), GB (Gradient boosting), HIE (Hematoma intracerebral espontáneo), IA (Inteligencia Artificial), KNN (K vecinos más cercanos), RF (Random Forest), SVM (Support Vector Machine), TCCSC (TC cerebral sin contraste).
Línea editorial: La revista RADIOLOGÍA, asociada a la Sociedad Española de Radiología, publica el 6º número anual (correspondiente a los meses noviembre y diciembre del año 2023) de su volumen 65. Dicho número cuenta con una serie de artículos originales, además de series de casos prácticos, comunicaciones breves y una editorial, entre otras publicaciones, las cuales tratan temas tan diversos pero de actualidad como son el burn-out, el intervencionismo percutáneo en radiología musculoesquelética (femoroplastia) y radiología intervencionista (oclusión aórtica en hemorragias puerperales con implantación placentaria anómala) o, como no podía ser de otra forma, la inteligencia artificial (a destacar el artículo que nos disponemos a revisar y otro acerca de su papel en radiología torácica en pacientes con neumonía por COVID-19).
Motivos para la selección: La IA va cogiendo forma con el paso del tiempo y la radiología la acoge con los brazos abiertos. En la actualidad, siguen apareciendo artículos originales de investigación acerca de las posibles utilidades del deep learning en la detección y segmentación de lesiones orgánicas como, por ejemplo, hiperdensidades intracraneales. En consecuencia, la tarea de cualquier profesional dedicado al radiodiagnóstico debe ser la de aprender y entender su funcionamiento, así como su aplicabilidad en el ámbito de la salud.
Resumen:
El HIE es el segundo tipo más frecuente de ACV (10-20%) y está asociado a altas tasas de mortalidad (75% a los 5 años) e incapacidad en todo el mundo. La identificación de pacientes con riesgo de mal pronóstico funcional nos permitirá ofrecer y adaptar terapias intensivas a nuestros pacientes.
En la actualidad, los factores de riesgo usados en la TCCSC son cualitativos (morfología y heterogeneidad) y conllevan cierta subjetividad en su interpretación con la consecuente variabilidad en la concordancia interobservador cuando estos factores son estudiados por diferentes profesionales. Por su parte, la radiómica nos permite dar un enfoque cuantitativo en un gran número de características (biomarcadores) de las imágenes radiológicas y, por tanto, se cree que los clasificadores de aprendizaje supervisado no lineales basados en la radiómica de la TCCSC pueden predecir el pronóstico funcional al alta en pacientes con HIE.
Para alcanzar dicho fin, en este estudio se realizó un análisis observacional retrospectivo y unicéntrico con 105 pacientes (mayores de 18 años) diagnosticados de HIE que fue confirmado por TCCSC entre enero de 2016 y abril de 2018 y en las primeras 24 horas del inicio de los síntomas. Los pacientes fueron clasificados según la escala mRS en buen (mRS 0-2) o mal (mRS 3-6) pronóstico. En este estudio, se usó el Software 3D Slicer (versión 4.10.2) y el Orange data mining (versión 3.31) para la segmentación manual y procesamiento de las lesiones, además de varios algoritmos ya confeccionados y usados en estudios previos (KNN, KNN-E, KNN-M, SVM, RF, GB) para confeccionar un “método de estudio” de las lesiones. Las 7 variables (características de las lesiones) estudiadas por dichos algoritmos fueron: Run Lenght Non-Uniformity, Gray Level Non-Uniformity, High Gray Level Emphasis, Run Entropy, Busyness, Long Run Emphasis y Interquartile Range.
Tras eliminar los pacientes con valores atípicos (outliers), los 99 pacientes restantes fueron divididos en dos cohortes: Entrenamiento y prueba (70%, n70) y Validación (30%, n29). La primera de ellas se usó para “entrenar” a los algoritmos ya nombrados gracias a las 10 interacciones de validación cruzada estratificada y su rendimiento fue evaluado por las curvas ROC (AUC) resultantes. Seguidamente, una vez entrenados y evaluados los algoritmos, se usó la cohorte de validación sobre estos para obtener las predicciones pronósticas definitivas de los pacientes.
Como resultado se obtuvo que los algoritmos KNN-E, KNN-M, P-SVM y RF-10 fueron los clasificadores con mejor rendimiento en la cohorte de validación, con una sensibilidad o AUC de 0,897 (IC 95%: 0,778-1), un total de 0 falsos negativos, un valor predictivo positivo del 89% y un valor predictivo negativo del 100%.
En conclusión, el uso de algoritmos de aprendizaje automático supervisado basados en radiómica son una herramienta diagnóstica prometedora para predecir el resultado funcional al alta en pacientes con HIE.
Valoración personal:
Parecía ciencia ficción pero la IA nos sigue dando argumentos para creer en ella. Resulta asombroso pensar que un algoritmo saque conclusiones acerca de biomarcadores en la imagen radiológica que, incluso a veces, como ocurre en las variables de este artículo, no son perceptibles por el ojo humano, ¿no creéis?.
En mi opinión, se trata de un estudio muy meticuloso, en el que se hace uso de conocimientos complejos del mundo de la estadística y radiómica y en el que se comentan y se resuelven detalles como, por ejemplo, el sobreajuste o overfitting que, en el mundo del aprendizaje automático, hace referencia al sesgo de “sobreentrenar” un algoritmo con muchos datos, lo cual se sabe que llega a ser contraproducente.
Claramente, nos encontramos ante un estudio complejo y difícil de digerir para inexpertos en la materia como yo mismo. Sin embargo, creo que el estudio de este tipo de estudios nos prepara y nos hace conscientes de aquello que el futuro de nuestra especialidad nos depara dado el gran involucramiento que estamos experimentando por parte de la IA en estos últimos años en el área del radiodiagnóstico.
No obstante, tal y como se comenta en el artículo, no podemos estar seguros de los resultados obtenidos. Para conseguirlo, se requiere de un mayor número de fuentes de evidencia y un mayor tamaño muestral. Además, en mi opinión, deberíamos introducir otro tipo de variables (clínicas o analíticas, entre otras) con tal de obtener unos patrones de aprendizaje automático más personalizados para nuestros pacientes. De esta forma, considero que se aumentaría el rendimiento tanto diagnóstico de las lesiones como predictivo del pronóstico asociado a las mismas. Siguiendo esta misma línea, también me gustaría destacar y enfatizar la importancia del espíritu crítico que los clínicos debemos aplicar a la hora de enfrentarnos a este tipo de herramientas y la información que estas nos prestan.
Andreu Ivars Martínez.
Hospital Clínic de Barcelona, R1.
cbseram.com 
Deja un comentario