Aprendizaje Profundo Basado en Imágenes en Enfermedades Hepáticas
Las enfermedades hepáticas representan una carga significativa para la salud global, abarcando un amplio espectro de daño hepático causado por diversas etiologías. Las técnicas modernas de imágenes médicas, como la tomografía computarizada (TC), la resonancia magnética (RM) y la ultrasonografía, desempeñan un papel crucial en el diagnóstico y manejo de estas enfermedades. En la última década, el aprendizaje profundo (AP) basado en imágenes ha emergido como una de las técnicas más investigadas en este campo. El AP permite la extracción de características de alta dimensionalidad mediante estructuras en capas, destacando su eficacia en escenarios clínicos que involucran redes neuronales convolucionales en visión computacional.
Tareas del Aprendizaje Profundo en Imágenes Médicas
Las tareas de AP en imágenes médicas se clasifican en tres categorías: segmentación, clasificación y detección de lesiones. En la segmentación, los algoritmos de AP realizan una división «de extremo a extremo», reduciendo significativamente el tiempo y esfuerzo asociados a métodos semiautomáticos tradicionales que requieren trazado o corrección manual. Estos algoritmos generan una matriz del mismo tamaño que las imágenes de entrada, con valores elevados en las regiones objetivo. Mediante un valor de corte, se produce una máscara de la región de interés. El rendimiento se evalúa mediante el Coeficiente de Similitud de Dice (CSD) y la Distancia de Hausdorff, donde un CSD alto y una distancia baja indican mejor desempeño.
En clasificación, los algoritmos categorizan imágenes (con o sin máscara de lesión) y asignan una probabilidad entre 0 y 1. El rendimiento se evalúa en tres aspectos: discriminación, calibración y utilidad clínica. La discriminación, medida por el área bajo la curva ROC (AUC), refleja la capacidad del modelo para diferenciar entre eventos. La calibración evalúa la concordancia entre predicciones y resultados reales mediante curvas de calibración. La utilidad clínica se analiza mediante curvas de decisión que incorporan consecuencias clínicas.
En detección de lesiones, los algoritmos localizan (mediante coordenadas o cuadros delimitadores) y clasifican lesiones. A diferencia de la segmentación, priorizan la identificación precisa de lesiones reales sobre la superposición espacial exacta. El rendimiento se mide mediante tasas de verdaderos positivos (TVP) y falsos positivos (TFP), categorizando los resultados en cuatro grupos: VP, VN, FP y FN.
AP en Enfermedades Hepáticas Difusas
El AP ha mostrado avances en el análisis de enfermedades difusas. Por ejemplo, un algoritmo de segmentación basado en TC estimó automáticamente el volumen hepático, correlacionándose linealmente con el peso del paciente y mostrando concordancia con métodos manuales. En RM, la segmentación automatizada del hígado mejoró la cuantificación de esteatosis y hierro, reduciendo variabilidad y tiempo frente a métodos manuales. Además, el método Grad-CAM en TC reveló que los algoritmos enfocan regiones como la superficie hepática en fibrosis temprana o el parénquima en cirrosis, proporcionando explicaciones visuales útiles para control de calidad.
AP en Enfermedades Hepáticas Focales
En lesiones focales, la segmentación precisa es crítica. Una red residual U-Net con convolución dilatada y función de pérdida combinada (CSD y diferencia volumétrica) logró alta precisión en tumores hepáticos. Otro estudio con una red tridimensional multicanal detectó lesiones focales con TVP de 0,6 y precisión clasificatoria de 0,790, aunque la detección de hemangiomas fue limitada por su baja frecuencia en los datos.
Un sistema de AP para diagnóstico de carcinoma hepatocelular (CHC) en TC, entrenado con 7512 pacientes, mostró AUC de 0,887 y 0,883 en validación interna y externa, mejorando la precisión diagnóstica de radiólogos. Otro modelo predijo invasión microvascular (IMV) en CHC con AUC elevadas, y Grad-CAM identificó biomarcadores similares a reportes previos, aumentando la interpretabilidad.
Segmentación Vascular y Planificación Quirúrgica
Un algoritmo de AP para segmentación rápida de venas porta y hepáticas en TC superó a métodos tradicionales en sensibilidad y CSD. Esta técnica podría optimizar la planificación de trasplantes al predecir volúmenes residuales, aunque requiere validación adicional. Además, estrategias de AP han predicho supervivencia libre de progresión en CHC temprano, integrando nomogramas con alta precisión a 2 años. Mediciones volumétricas automatizadas tras quimioembolización (TACE) mostraron correlación sólida con criterios manuales, sugiriendo su utilidad como sustitutos.
Desafíos y Futuras Direcciones
A pesar del potencial clínico, persisten retos. Primero, se necesitan grandes conjuntos de imágenes con datos demográficos detallados, actualmente limitados por protocolos de privacidad. Segundo, la interpretabilidad de los modelos debe mejorar para aumentar su confiabilidad en entornos clínicos. Tercero, la validación externa a gran escala es crucial para garantizar generalización, especialmente en modelos complejos. Finalmente, se requieren guías de reporte y herramientas estandarizadas para evaluar sesgos en estudios de inteligencia artificial, actualmente complicados por la naturaleza «caja negra» del AP.
Conclusión
El AP demuestra desempeño prometedor en minería de datos y análisis cuantitativo de imágenes. Aunque estudios recientes destacan su potencial en enfermedades hepáticas, la mayoría se centran en viabilidad técnica. Se necesitan modelos más precisos, interpretables y robustos, validados en escenarios clínicos complejos, junto con estandarización metodológica para facilitar su adopción clínica.
DOI: 10.1097/CM9.0000000000002199