Desarrollo y Validación de un Modelo de Radiómica que Incorpora Aprendizaje Automático para Identificar Fibrosis Hepática y Cirrosis en Etapa Temprana

La fibrosis hepática (FH) y la cirrosis en etapa temprana (CET) representan condiciones críticas en hepatología, ya que corresponden a estadios de enfermedad hepática potencialmente reversibles si se identifican y tratan oportunamente. En contraste, la cirrosis avanzada suele ser irreversible y asociarse a desenlaces clínicos desfavorables. El estándar de oro para diagnosticar FH y CET ha sido tradicionalmente la biopsia hepática, un procedimiento invasivo con riesgos inherentes. Sin embargo, avances recientes en técnicas de imagen cuantitativas, particularmente la radiómica, han abierto puertas a métodos diagnósticos no invasivos. Este estudio se centra en el desarrollo y validación de un modelo radiómico basado en imágenes ponderadas por difusión (DWI) para identificar FH y CET, ofreciendo una alternativa prometedora a la biopsia.

Introducción

La cirrosis hepática constituye un problema de salud pública global, especialmente en China, donde contribuye significativamente a la morbimortalidad. La cirrosis frecuentemente resulta de la progresión de FH, clasificada en estadios F1 a F3 según el sistema METAVIR. La CET, clasificada como F4, representa la etapa inicial de cirrosis con función hepática preservada. No obstante, al progresar, el fallo hepático se vuelve inevitable. La identificación temprana de FH y CET es crucial, pues intervenciones oportunas pueden detener o revertir la progresión. Aunque la biopsia hepática ha sido el estándar de oro, su naturaleza invasiva, variabilidad en el muestreo y baja tolerancia han impulsado la búsqueda de alternativas no invasivas.

La imagen médica, particularmente la resonancia magnética (MRI), ha emergido como herramienta poderosa. Entre las técnicas de MRI, la DWI ha mostrado potencial en la evaluación de enfermedades hepáticas, incluyendo FH y cirrosis. La radiómica, un método de análisis cuantitativo de imágenes, extrae numerosas características para desarrollar biomarcadores diagnósticos y pronósticos. Este estudio busca aprovechar la radiómica y el aprendizaje automático para desarrollar un modelo robusto que identifique FH y CET utilizando datos de DWI.

Métodos

Diseño del Estudio y Aprobación Ética

Este estudio retrospectivo se realizó en el Hospital e Instituto de Cáncer de Shandong, con aprobación del Comité de Ética. Se incluyeron 369 casos: 108 pacientes con FH, 116 con CET y 145 con hígados sanos. Todos los pacientes fueron sometidos a escaneos DWI. Los criterios de inclusión garantizaron morfología hepática normal, confirmación patológica de FH/CET y estadios claros. Se excluyeron casos con morfología anormal, ascitis significativa o calidad de imagen insuficiente.

Adquisición y Preprocesamiento de Imágenes

Los escaneos se realizaron en un equipo Philips 3.0 Tesla con bobina abdominal de ocho canales. Las imágenes DWI se adquirieron con valores b de 0, 400 y 800 s/mm², seleccionados por proveer información no redundante. También se obtuvieron imágenes T1 de alta resolución para delimitar volúmenes de interés (VOIs).

Delimitación de Volúmenes de Interés (VOIs)

Dos radiólogos experimentados delinearon manualmente VOIs en parénquima hepático usando el software MIM maestro. Los VOIs se definieron en tres segmentos hepáticos (II/III, V/VI y VII) en imágenes DWI con b = 0 s/mm², mapeándose posteriormente a otras imágenes con valores b diferentes.

Extracción de Características Radiómicas

Se extrajeron 93 características radiómicas de cada VOI usando la extensión SlicerRadomics en 3D Slicer. Las características se categorizaron en seis grupos: histogramas de intensidad de primer orden, matrices de co-ocurrencia de niveles de gris (GLCM), matrices de longitud de rachas (GLRLM), matrices de zonas de tamaño (GLSZM), matrices de diferencias de tono gris vecinas (NGTDM) y matrices de dependencia de grises (GLDM). Los valores de intensidad se discretizaron en 100 bins fijos para mejorar la reproducibilidad.

Construcción del Modelo y Selección de Características

Se emplearon dos estrategias: el Plan 1 incluyó un modelo en dos pasos (Modelo 1: diferenciar hígados sanos vs. anormales; Modelo 2: clasificar FH vs. CET dentro del grupo anormal). El Plan 2 utilizó modelos paralelos (Modelo 1: sano vs. FH; Modelo 2: sano vs. CET).

La selección de características se realizó mediante análisis univariado (p < 0,1) seguido del algoritmo RELIEFF, seleccionando las tres mejores características por categoría (18 en total). Se utilizó una máquina de vectores de soporte (SVM) con kernel radial, realizándose 1000 iteraciones de validación cruzada de diez particiones para evitar sobreajuste.

Evaluación del Rendimiento

El rendimiento se evaluó mediante el área bajo la curva ROC (AUC) y exactitud. Las cohortes de entrenamiento y validación se dividieron aleatoriamente.

Resultados

Selección de Características

El análisis univariado identificó 75 y 63 características relevantes para los Modelos 1 y 2 del Plan 1, respectivamente. Para el Plan 2, se identificaron 62 y 59 características. El algoritmo RELIEFF refinó estas selecciones.

Rendimiento de los Modelos

Plan 1

• Modelo 1: AUC 0,973 (IC 95%: 0,946–1,000) y exactitud 91,5% (entrenamiento); AUC 0,948 (0,903–0,993) y 89,1% (validación).
• Modelo 2: AUC 0,944 (0,905–0,983) y 88,9% (entrenamiento); AUC 0,968 (0,940–0,996) y 92,6% (validación).

Plan 2

• Modelo 1: AUC 0,882 (0,845–0,919) y 82,5% (entrenamiento); AUC 0,857 (0,808–0,906) y 82,1% (validación).
• Modelo 2: AUC 0,843 (0,793–0,899) y 74,3% (entrenamiento); AUC 0,863 (0,804–0,922) y 79,3% (validación).

Plan Óptimo

El Plan 1 demostró mayor robustez, mientras que el Plan 2 presentó limitaciones por falsas predicciones al introducir casos de CET en el Modelo 1 y FH en el Modelo 2 (AUC falsas: 0,774 para FH y 0,698 para CET).

Discusión

Este estudio demuestra el potencial de la radiómica aplicada a DWI para identificar FH y CET de manera no invasiva. El modelo propuesto, particularmente el Plan 1, mostró AUC y exactitud superiores a estudios previos basados en MRI con contraste (AUC ≈0,910; exactitud 82,1%). La combinación de múltiples valores b, selección avanzada de características y técnicas de aprendizaje automático contribuyó a este rendimiento.

Limitaciones y Futuras Direcciones

Las limitaciones incluyen el diseño retrospectivo y la falta de mapas de ADC en las imágenes DWI. Futuros estudios prospectivos con cohortes más grandes e inclusión de parámetros clínicos podrían mejorar la precisión diagnóstica.

Conclusión

Se desarrolló y validó exitosamente un modelo radiómico basado en DWI para identificar FH y CET no invasivamente. Este modelo ofrece una alternativa precisa y confiable a la biopsia hepática, resaltando el potencial de la integración entre radiómica, técnicas de imagen avanzadas y aprendizaje automático en hepatología.

doi.org/10.1097/CM9.0000000000001113