Artículo original: : Gherca S, Yang S, Bremerich J, Halter J, Stolz D, Winkel DJ et al. Fully Automated Quantification of Functional Small Airway Disease at Inspiratory and Expiratory Chest CT Using Deep Learning. Radiology: Cardiothoracic Imaging. 2026;8(3):e250215.
DOI: 10.1148/ryct.250215
Sociedad: Radiological Society of North America (@RSNA)
Palabras clave: vía aérea pequeña; atrapamiento aéreo; mapa de respuesta paramétrica; BOS; trasplante pulmonar; inteligencia artificial; cuantificación pulmonar
Abreviaturas y acrónimos utilizados: BO (Bronquiolitis Obliterante), CFTR (Cystic Fibrosis Transmembrane Regulator), CVF (Capacidad Vital Forzada), DL (Deep Learning), EICH (Enfermedad Injerto Contra Huésped), EPOC (Enfermedad Pulmonar Obstructiva Crónica), fSAD (functional Small Airway Disease o enfermedad funcional de la vía aérea pequeña), fSADauto (cuantificación automática), fSADman (cuantificación semimanual), IC (Intervalo de Confianza), PACS (Picture Archiving and Communication System o Sistema de Comunicación y Archivo de Imágenes), PFP (Pruebas de Función Pulmonar), RMC (Resonancia Magnética Cardíaca), TC (Tomografía Computarizada), VEF1 (Volumen Espiratorio Forzado en 1 segundo)
Línea editorial: Radiology: Cardiothoracic Imaging es una revista científica de acceso abierto publicada bimensualmente por la Radiological Society of North America (RSNA). La revista está disponible exclusivamente en formato digital y forma parte del conjunto de publicaciones especializadas de la RSNA, junto con Radiology, Radiology: Artificial Intelligence, Radiology: Imaging Cancer y Radiology Advances.
La línea editorial de Radiology: Cardiothoracic Imaging se centra en enfatizar los avances en investigación y desarrollos técnicos en imagen médica que impulsan la medicina cardiotorácica. La revista tiene como objetivo servir como plataforma para la difusión de conocimiento científico de alta calidad en las áreas de imagen cardiovascular y torácica, abarcando tanto aspectos diagnósticos como terapéuticos publicando investigaciones en las siguientes áreas especializadas: resonancia magnética cardíaca (RMC), tomografía computarizada cardíaca, ecocardiografía, imagen de flujo 4D en el apartado de imagen cardíaca y en otras áreas relacionadas con la imagen pulmonar como es el cribado de cáncer de pulmón, las enfermedades intersticiales pulmonares o la imagen funcional pulmonar.
En el número publicado en junio de 2026 cabe destacar otros dos trabajos especialmente relevantes: uno sobre angiografía por RM 3D en estado estacionario con técnica mDixon en doble fase en cardiopatías congénitas pediátricas, que demuestra cómo la adquisición combinada sístole‑diástole mejora la caracterización anatómica y rescata estudios no diagnósticos, y otro sobre toxicidad cardíaca tras radioterapia en el cáncer de mama, que evidencia que mayores dosis cardíacas se asocian a una progresión acelerada del calcio coronario, subrayando el valor del calcium score como biomarcador precoz.
Motivos para la selección: He seleccionado este artículo porque la enfermedad funcional de la vía aérea pequeña (fSAD) es un biomarcador emergente de enorme relevancia clínica, especialmente en BO post-trasplante, EPOC precoz, asma y EICH pulmonar. Su cuantificación mediante TC inspiratoria y espiratoria es altamente sensible, pero tradicionalmente compleja, lenta y poco integrada en la práctica clínica.
La irrupción de herramientas basadas en deep learning prometen automatizar procesos que antes requerían múltiples pasos manuales (segmentación, registro deformable no lineal, máscaras de umbral de densidad), facilitando su adopción clínica. Este estudio evalúa rigurosamente si un modelo DL puede igualar la precisión del método semimanual, manteniendo la reproducibilidad y reduciendo la carga de trabajo.
Resumen:
Este estudio retrospectivo incluyó 249 TC inspiratorias y espiratorias de 196 pacientes (2016–2022) con sospecha de enfermedad obstructiva o complicaciones post-trasplante. La cuantificación semimanual (fSADman) se realizó con software comercial (Pulmo 3D, Syngo.via), mientras que la cuantificación automática (fSADauto) empleó un modelo DL con segmentación pulmonar basada en U-Net y registro no lineal SyN.
Los resultados principales fueron:
- Excelente correlación entre fSADauto y fSADman (Spearman r = 0.93; IC 95%: 0.89–0.96).
- Sesgo mínimo en Bland-Altman (–1.7%), con límites estrechos de acuerdo.
- Para detectar fSAD clínicamente relevante (≥28%):
o Sensibilidad: 100%
o Especificidad: 96.8%
o Exactitud: 97.2%
- El tiempo de análisis semimanual fue de 3.5 – 5.2 min, mientras que el método automático requirió ~ 15 min sin intervención humana, integrándose directamente en PACS.
- La correlación con PFPs fue moderada (r ≈ –0.5 con VEF1/CVF), coherente con literatura previa.
Los autores concluyen que la cuantificación automática basada en DL es precisa, reproducible y más eficiente, pudiendo integrarse en flujos clínicos para monitorización de BO y otras enfermedades obstructivas.
Valoración personal:
Este trabajo representa un avance técnico sólido en la cuantificación automatizada de fSAD, un biomarcador cada vez más relevante en imagen funcional pulmonar. Su principal fortaleza es la validación directa frente al método semimanual, considerado estándar de referencia en la práctica clínica, demostrando una correlación casi perfecta y un sesgo clínicamente irrelevante.
Destaco especialmente:
- Rigor metodológico: Uso de registro deformable no lineal SyN, segmentación DL y análisis estadístico exhaustivo (correlación, Bland-Altman, McNemar).
- Relevancia clínica: La fSAD es clave en BO, EICH pulmonar y EPOC precoz, y su cuantificación automatizada puede mejorar la monitorización longitudinal.
- Impacto en flujo de trabajo radiológico: Aunque el procesamiento automático tarda más en tiempo absoluto, elimina completamente la intervención del radiólogo, lo que en la práctica supone una reducción real del tiempo de análisis y de la variabilidad interobservador.
Limitaciones relevantes:
- Diseño unicéntrico y población muy específica (alto porcentaje de EICH y trasplante pulmonares), lo que limita la generalización.
- Estudio retrospectivo, susceptible a sesgos de selección inherentes y con limitada capacidad para evaluar prospectivamente el impacto clínico de la herramienta.
- Ausencia de segmentación lobar, relevante para fenotipado regional.
- Falta de correlación con resultados clínicos fuertes (exacerbaciones, supervivencia, progresión de BOS).
- El número de casos con fSAD ≥28% es relativamente bajo, lo que puede inflar la sensibilidad.
Aun así, el estudio aporta evidencia convincente de que la IA puede democratizar la cuantificación de fSAD, facilitando su adopción en centros sin software especializado y potenciando la imagen funcional pulmonar como biomarcador objetivo.
Etiquetas: Cardiothoracic radiology, R4, Radiología torácica
Sociedad: Radiological Society of North America (@RSNA)
Sección y órgano-sistema: Radiología cardíaca
Técnica radiológica: Tomografía computarizada
Tipo de artículo: Original de investigación – Desarrollo técnico
Año de residencia recomendado: R4
Paula Menor García
R3, Complejo Asistencial Universitario de Salamanca, Salamanca
cbseram.com 
Deja un comentario