Artículo original: Ozaki K, Hasegawa H, Ishida S, Haseyama S, Tanahashi Y, Goshima S. Deep learning reconstruction for liver DWI: impact on image quality and ADC quantification. European Journal of Radiology. 2026;202:112925.
DOI: https://doi.org/10.1016/j.ejrad.2026.112925
Sociedad: No vinculada a una sociedad científica específica (revista independiente, Elsevier). (@EJR_official_)
Palabras clave: Diffusion-weighted imaging (imagen ponderada en difusión), Deep learning reconstruction (reconstrucción mediante aprendizaje profundo), Magnetic resonance imaging (resonancia magnética), Apparent diffusion coefficient (coeficiente de difusión aparente), Liver (hígado).
Abreviaturas y acrónimos utilizados: ADC (coeficiente de difusión aparente), CNR (relación contraste-ruido), CS (compressed sensing), CV (coeficiente de variación), DL (reconstrucción basada en deep learning), DWI (imagen ponderada en difusión), EPI (imagen eco-planar), HCC (carcinoma hepatocelular), ICC (coeficiente de correlación intraclase), PI (imagen en paralelo), ROI (región de interés), SNR (relación señal-ruido), y κ (coeficiente kappa de Cohen).
Línea editorial: European Journal of Radiology es una revista internacional de periodicidad mensual, publicada por Elsevier (Elsevier Ireland Ltd) desde 1981. No está vinculada a ninguna sociedad científica concreta, sino que se dirige a un público amplio de clínicos en todos los niveles de formación, desde residentes hasta radiólogos experimentados. Publica artículos originales, revisiones y estudios de investigación centrados en el desarrollo de técnicas de imagen y su aplicación práctica y basada en la evidencia, con especial interés reciente en la inteligencia artificial aplicada a la reconstrucción y optimización de imagen. Con un factor de impacto de 3.2 (JCR 2025) y un CiteScore de 5.6 en el año 2025, se sitúa en el primer cuartil (Q1) de la categoría «Radiology, Nuclear Medicine & Medical Imaging», siendo una de las revistas de referencia para la formación continuada en radiología a nivel europeo.
Este artículo se publica en el volumen 202 (2026) de European Journal of Radiology, un volumen con fuerte presencia de estudios centrados en la aplicación de IA para reconstrucción y optimización de imagen. En este mismo número destacan otros dos artículos de interés: el estudio sobre denoising por inteligencia artificial en TC cardiaca de energía fotónica (Uban et al.), de especial interés para radiólogos dedicados a la imagen cardiotorácica; y la revisión sobre el uso de inteligencia artificial en RM de próstata (Singh et al.), que pone de manifiesto las limitaciones actuales de la evidencia disponible en este campo. En este caso, el foco se traslada a la RM abdominal, concretamente a la secuencia de difusión hepática, una de las más utilizadas y a la vez más problemáticas técnicamente por su vulnerabilidad a artefactos de distorsión geométrica y bajo cociente relación señal-ruido.
Motivos para la selección: He elegido este artículo porque la DWI hepática es una secuencia que hacemos a diario en prácticamente cualquier RM de abdomen superior y la mejora de su calidad mediante IA tiene aplicación clínica inmediata. Además, el estudio no se limita a mostrar «mejor calidad de imagen», sino que detecta y discute abiertamente un efecto colateral relevante: la reconstrucción con DL modifica sistemáticamente los valores de ADC, lo cual tiene implicaciones directas sobre cómo interpretamos estos valores en la práctica, por ejemplo, en la caracterización de lesiones o el seguimiento de respuesta a tratamiento.
Resumen:
Se trata de un estudio retrospectivo unicéntrico (Hamamatsu, Japón) que incluyó 188 pacientes (103 varones, edad media 69,6 ± 11,4 años) sometidos a RM hepática de 3T entre octubre de 2024 y enero de 2025. Se comparó la DWI reconstruida con compressed sensing convencional (CS-DWI) frente a la misma adquisición reconstruida además con un algoritmo de deep learning basado en el modelo Adaptive-CS-Net, con arquitectura del tipo U-Net, y que se inserta en el procesamiento de CS, DL-DWI. Ambas reconstrucciones procedían del mismo k-space bruto, eliminando cualquier variabilidad por movimiento del paciente entre adquisiciones.
Se evaluaron 227 lesiones focales hepáticas en 97 pacientes (83 HCC, 82 metástasis, 62 hemangiomas), analizadas por dos radiólogos ciegos al tipo de reconstrucción, en sesiones aleatorizadas separadas por un periodo de lavado de 4 semanas.
Resultados cuantitativos: El cociente relación señal-ruido fue significativamente mayor en DL-DWI en todos los órganos analizados (p < 0,05), por ejemplo, en el segmento anterior del hígado pasó de 11,3 ± 4,9 a 13,9 ± 7,4, y en el bazo de 23,2 ± 10,7 a 25,0 ± 11,4. El CV y los valores de ADC fueron significativamente menores en DL-DWI en todos los órganos (p < 0,05) (el CV del segmento anterior bajó de 10,8 ± 4,6% a 9,6 ± 5,1%, y el ADC del mismo segmento de 1321,0 ± 199,6 a 1236,9 ± 188,3 ×10⁻⁶ mm²/s), excepto el CV en el segmento lateral hepático y el músculo paraespinal. La relación contraste-ruido de todas las lesiones fue significativamente mayor en DL-DWI (p < 0,05). Para el análisis cuantitativo de lesiones (limitado a las 155 lesiones ≥ 10 mm evaluables mediante ROI, dado que las lesiones más pequeñas no permiten una medición fiable sin efecto de volumen parcial), el CNR fue significativamente mayor en DL-DWI que en CS-DWI en los tres tipos de lesión (HCC, metástasis y hemangioma; p < 0,05), con un CNR que pasó, por ejemplo, de 18,5-19,3 a 27,8-29,9 en el caso del HCC, de 25,6-42,4 a 28,4-48,9 en las metástasis, y de 22,6-23,0 a 27,1-28,2 en los hemangiomas. El ADC de las lesiones también fue significativamente menor en DL-DWI (p < 0,05) en los tres tipos: en el HCC bajó de 977,1 ± 363,8 a 954,1 ± 361,7 ×10⁻⁶ mm²/s, reforzando el hallazgo de reducción sistemática del ADC.
Resultados cualitativos: DL-DWI mostró mejor puntuación en contorno hepático, distorsión, ruido, artefactos y calidad global (p < 0,05), aunque sin diferencias significativas en el páncreas o el bazo (posiblemente porque el CS-DWI ya ofrecía buena calidad basal en estos órganos). La conspicuidad lesional global, evaluada subjetivamente en las 227 lesiones totales, fue significativamente mayor en DL-DWI (p < 0,001), con una mejora especialmente marcada en lesiones pequeñas (< 10 mm) y superficiales (≤ 1 cm de la cápsula hepática), precisamente los escenarios donde más se necesita ayuda diagnóstica. Las metástasis mostraron la mejora más consistente mientras que los HCC y hemangiomas no alcanzaron significación estadística en el análisis global de todas las lesiones, aunque sí en los subgrupos de lesiones pequeñas o superficiales.
Hallazgo clave a destacar: DL-DWI redujo de forma sistemática los valores de ADC respecto a CS-DWI, tanto en tejido normal como en lesiones. Los autores atribuyen este efecto a que las imágenes b=0 y b=800 se reconstruyen como datasets independientes, con mayor supresión del «suelo de ruido» en las imágenes b=800 (de menor cociente relación señal-ruido intrínseco), lo que altera desproporcionadamente el cálculo del ADC.
Puntos fuertes:
- Diseño metodológicamente cuidado: lectores ciegos, orden aleatorizado, periodo de lavado de 4 semanas, y reconstrucción de ambas imágenes desde el mismo k-space (eliminando variabilidad por movimiento).
- Análisis de subgrupos por tamaño y localización lesional, un aspecto explícitamente señalado por los autores como poco explorado en la literatura previa sobre DWI hepática con DL.
- Buen tamaño muestral para el análisis lesional (227 lesiones, 97 pacientes) con tres tipos histológicos distintos.
- Honestidad metodológica notable: los propios autores identifican y discuten en profundidad el problema de la reducción del ADC, en lugar de minimizarlo, y advierten explícitamente que los valores de referencia de ADC de la DWI convencional no deben trasladarse sin validación a las imágenes reconstruidas con DL.
Puntos débiles:
- Estudio retrospectivo, unicéntrico y de una sola plataforma/fabricante (Philips, Adaptive-CS-Net), sin comparación frente al estándar clínico de referencia (SENSE-DWI basado en imagen en paralelo), lo que limita saber si la mejora es específica de este algoritmo o generalizable.
- La concordancia inter-observador para varios parámetros cualitativos fue sólo moderada (κ 0,536–0,770), lo que introduce cierta incertidumbre en los resultados subjetivos.
- No se compara con otras técnicas de reconstrucción por DL ya existentes en el mercado, por lo que no puede concluirse superioridad frente a otros algoritmos comerciales de reconstrucción por IA.
- La reducción sistemática del ADC, aunque bien documentada, no se traduce en una propuesta concreta de nuevos puntos de corte diagnósticos, dejando una laguna práctica para el radiólogo que quiera usar esta secuencia en su práctica diaria.
Valoración personal: Como residente, me parece un trabajo especialmente valioso no tanto por la mejora esperable en la calidad de imagen, algo ya demostrado repetidamente para técnicas de DL en DWI, sino por poner el foco en un problema que a menudo se pasa por alto: los algoritmos de IA pueden alterar significativamente parámetros cuantitativos como el ADC, con implicaciones clínicas reales si no se recalibra su interpretación. Esto es un recordatorio importante de que la validación de estas herramientas no puede limitarse a preguntarse si mejora la calidad de la imagen, sino que debe extenderse a comprobar si las métricas cuantitativas que empleamos para tomar decisiones clínicas siguen siendo válidas. Como limitación, echo en falta que el estudio no proponga unos valores de ADC ajustados específicos para DL-DWI, algo que sería el siguiente paso lógico antes de generalizar su uso.
Firma:
Ana Martos Gilabert
R2 – Hospital Universitario Clínico San Cecilio, Granada
cbseram.com 
Deja un comentario