Artículo original: Xu J, Miao L, Wang C et al. Preoperative Contrast-Enhanced CT-Based Deep Learning Radiomics Model for Distinguishing Retroperitoneal Lipomas and Well‑Differentiated Liposarcomas. Academic Radiology, Volume 31, Issue 12, 5042 – 5053
DOI: 10.1016/j.acra.2024.06.035
Sociedad: The Association of Academic Radiology (AAR) (@aaradiol)
Palabras clave: Retroperitoneal space; Liposarcoma; Differential diagnosis; Deep learning; Computed tomography.
Abreviaturas y acrónimos utilizados: DLRN (nomograma de radiómica-“deep learning”), DLRS (sistema combinado de firma radiómica y “deep learning”) , MDM2 (gen murino doble minuto 2), TC (tomografía computarizada), WDLPS (liposarcomas retroperitoneales bien diferenciados).
Línea editorial: La revista internacional Academic Radiology colabora con múltiples organizaciones y sociedades, incluyendo la Asociación de Radiología Académica. Su publicación mensual, al igual que en otras ocasiones, se centra principalmente en investigaciones originales, revisiones, metaanálisis y cartas al editor, además de abordar temas relacionados con las diferentes áreas de diagnóstico e intervencionismo por imagen. En el número actual destacan artículos originales, como uno que nos habla sobre el éxito del tratamiento de crioablación mamaria como tratamiento curativo y paliativo del cáncer de mama, otro estudio que valora la predicción de várices esofágicas de alto riesgo en la cirrosis a partir de imágenes de TC, y por último otro estudio multicéntrico que tiene como objetivo predecir el pronóstico de la ablación HIFU de fibromas uterinos utilizando también un modelo radiómico basado en secuencias de difusión.
Motivos para la selección: El enfoque innovador en la integración de técnicas avanzadas de radiómica y “deep learning” para abordar un desafío diagnóstico clínico relevante, como es la diferenciación preoperatoria entre lipomas retroperitoneales y liposarcomas bien diferenciados, ha sido la principal atracción para la selección del artículo. Este tipo de investigación explora aplicaciones de vanguardia en el ámbito de la medicina de precisión, con un impacto significativo en la optimización del manejo clínico al proporcionar herramientas diagnósticas no invasivas que pueden influir en la planificación terapéutica y en los resultados pronósticos de los pacientes.
Resumen:
Introducción
Los lipomas retroperitoneales (benignos) y los liposarcomas bien diferenciados (WDLPS, malignos) son tumores mesenquimales de estirpe lipomatosa con características morfológicas similares pero con comportamientos biológicos y tratamientos distintos. La amplificación del gen MDM2 es un marcador genético clave para diferenciar estas entidades, pero su detección mediante técnicas como FISH es costosa y compleja. Este estudio multicéntrico propone un modelo no invasivo basado en radiómica y “deep learning” utilizando tomografía computarizada (TC) con contraste, denominado “Deep Learning Radiomics Nomogram” (DLRN), para predecir la amplificación de MDM2 y facilitar la diferenciación preoperatoria.
Métodos
Se incluyeron 167 pacientes con lipomas o WDLPS confirmados histológicamente, divididos en cohortes de entrenamiento (n=104) y validación (n=63). Se desarrollaron varios modelos (clínico-radiológico, radiómica, “deep learning” y DLRN) a partir de características extraídas de imágenes de TC con contraste. La eficacia se evaluó mediante el área bajo la curva ROC (AUC), precisión, curvas de calibración y análisis de decisión clínica.
Resultados
El DLRN mostró un rendimiento superior en comparación con los modelos clínico-radiológicos y radiómicos en ambas cohortes (entrenamiento: AUC 0.981; validación: AUC 0.861). Aunque no hubo diferencias significativas frente al sistema combinado de firma radiómica y “deep learning” (DLRS), el DLRN integró mejor los datos clínicos y de imagen, mejorando la calibración y utilidad clínica.
Discusión
El DLRN demuestra ser un biomarcador prometedor para diferenciar WDLPS de lipomas retroperitoneales, superando las limitaciones de las técnicas tradicionales como la biopsia y la evaluación visual de imágenes, que son subjetivas y menos precisas. Este modelo combina características radiómicas y características “deep learning”, integrando múltiples capas de información para lograr una predicción precisa de la amplificación de MDM2. Aunque otros estudios han utilizado radiómica y “deep learning” para analizar tumores mesenquimales de estirpe lipomatosa, este trabajo se centra en diferenciar específicamente entre lipomas y WDLPS retroperitoneales, que representan un desafío diagnóstico significativo debido a su similitud radiológica. Además, el DLRN integra factores clínicos y de imagen para ofrecer una utilidad clínica sustancial, siendo aplicable para el diseño de planes de tratamiento individualizados. A pesar de sus resultados alentadores, se destacan limitaciones como la necesidad de validación prospectiva, posibles sesgos de selección inherentes a su naturaleza retrospectiva y variaciones en la segmentación manual de las imágenes.
En el futuro, la integración de nuevas tecnologías de imagen y métodos automatizados podría optimizar aún más la precisión y aplicabilidad del modelo.
Conclusión
El DLRN es una herramienta no invasiva eficaz para la diferenciación preoperatoria entre lipomas y WDLPS, contribuyendo al manejo personalizado y la medicina de precisión. Se recomienda su validación futura en estudios prospectivos para fortalecer su aplicabilidad clínica.
Valoración personal:
Es clave recalcar la relevancia científica y clínica tratada en este artículo, ya que aborda un problema diagnóstico complejo con una metodología innovadora. La integración de radiómica y “deep learning” representa una clara ventaja al ofrecer una herramienta no invasiva y precisa para diferenciar entre lipomas retroperitoneales y liposarcomas bien diferenciados, un diagnóstico que, tradicionalmente, depende de métodos invasivos con limitaciones claras y conocidas. Además, los resultados del modelo DLRN muestran un alto rendimiento diagnóstico y potencial para mejorar la toma de decisiones terapéuticas personalizadas.
Por otro lado, también es importante considerar las limitaciones señaladas por los propios autores. La naturaleza retrospectiva del estudio introduce la posibilidad de sesgos en la selección de pacientes, así como la variabilidad en la segmentación manual de las imágenes podría afectar la reproducibilidad de los resultados en escenarios reales. Además, el uso de diferentes dispositivos de TC en los centros participantes podría influir en la estandarización de los datos, a pesar de los esfuerzos de armonización. Por último, la necesidad de estudios prospectivos y con mayor población de pacientes resalta que, aunque se han obtenido resultados prometedores, este modelo aún requiere validación adicional para confirmar su aplicabilidad clínica generalizada.
En conclusión, aunque el estudio presenta avances significativos, su implementación clínica dependerá de futuras validaciones, pero sin duda sienta bases sólidas para la evolución de herramientas diagnósticas más sofisticadas y efectivas.
Sociedad: The Association of Academic Radiology (AAR) (@aaradiol)
Sección y órgano-sistema: Radiología músculo-esquelética
Técnica radiológica: Tomografía computarizada
Tipo de artículo: Original de investigación
Año de residencia recomendado: R3-4
Miguel Díez Román
Hospital Universitario 12 de octubre, Madrid, R4
cbseram.com 
Deja un comentario