Enfermedad del hígado graso: la inteligencia artificial asume el desafío
Han ha realizado una nueva investigación en la intersección de dos grandes temas en la innovación de la atención al paciente mediante la mejora del diagnóstico. La epidemia de esteatosis hepática con potencial para convertirse en esteatohepatitis. Además del crecimiento exponencial de la inteligencia artificial en el avance del diagnóstico por imagen para mejor atención al paciente.
La prevalencia mundial de la enfermedad del hígado graso no alcohólico (HGNA) va en aumento y se sitúa en un máximo histórico del 25%. Los pacientes tienen una mayor mortalidad por enfermedades cardiovasculares y eventos relacionados con el hígado. En donde la esteatosis más grave se asocia a un mayor riesgo.
¿En qué consistió este estudio?
El diagnóstico por imagen es una piedra angular para el diagnóstico inicial de la HGNA. Ya que se beneficia de su naturaleza no invasiva, de la facilidad de adquisición de imágenes y de su amplia disponibilidad. En los últimos años, la RM con fracción grasa de densidad de protones (PDFF) se ha convertido en el estándar de referencia en la cuantificación de la esteatosis hepática. Sin embargo, esta técnica es imperfecta, no está ampliamente disponible y es costosa. Por lo tanto, es necesario mejorar el diagnóstico ecográfico de la esteatosis hepática. Han planteó la hipótesis de que el análisis cuantitativo de las señales de ultrasonido de radiofrecuencia (RF) sin procesar puede proporcionar un medio no invasivo para cuantificar la fracción de grasa hepática.
Los radiólogos están familiarizados con las imágenes US en modo B, las tradicionales imágenes bidimensionales en escala de grises. Han sostiene que la información se pierde o se altera al reconstruir las imágenes bidimensionales y que la señal de radiofrecuencia contiene más información. Para esto, Han utilizó redes neuronales convolucionales de aprendizaje profundo (CNN) para ayudar en el procesamiento e interpretación.
Hay que tener en cuenta que las señales de RF no son una salida estándar de la mayoría de los escáneres de EE.UU. Para el análisis de imágenes, se utilizó una región de interés con un tamaño y una ubicación estándar fuera del hígado. Esto lo hace más probable que sea reproducible en estudios posteriores. De este modo, se utilizó una técnica de validación dividida de entrenamiento/prueba comúnmente aceptada para el desarrollo y la prueba de algoritmos. Se desarrollaron dos algoritmos CNN unidimensionales (1D) por separado.
¿Qué antecedentes hay de este estudio?
Trabajos anteriores han demostrado el éxito de la predicción de niveles de grasa hepática, pero el estudio de Han mostro un éxito sin el uso de un maniquí para la calibración del sistema. Esto tiene el potencial de mejorar la facilidad y la velocidad de adquisición de la señal de RF de y ampliar su disponibilidad. En este tipo de trabajos de inteligencia artificial, suelen tener una sensación de «caja negra».
Dado que el resultado depende de la entrada, los detalles del conjunto de entrenamiento y los detalles en los estudios de inteligencia artificial es a menudo una fuente de controversia. Aunque el estudio es de alta calidad, con una buena descripción del análisis y resultados sólidos, las limitaciones incluyen la falta de análisis interobservador, la comparación con la precisión de las imágenes en modo B, y la evaluación de la repetibilidad y reproducibilidad. El uso de una sola plataforma de escáner también limita la generalización de los resultados.
En resumen, el estudio de Han se basa en los éxitos anteriores de la inteligencia artificial, y los resultados de este tipo de trabajos deberían ser habituales en las plataformas de los proveedores durante la próxima década.
Lockhart, M., & Smith, A. (2020, 25 febrero). Fatty Liver Disease: Artificial Intelligence Takes on the Challenge. RSNA: Radiology. https://pubs.rsna.org/doi/pdf/10.1148/radiol.2020200058
