Establecimiento de un Modelo de Clasificación de la Edad Gestacional del Pulmón Fetal Normal y Exploración del Valor Potencial de los Algoritmos de Aprendizaje Profundo en la Evaluación de la Madurez Pulmonar Fetal
Resumen
La evaluación prenatal de la madurez pulmonar fetal (MPF) sigue siendo un desafío importante en obstetricia. La inmadurez pulmonar, que conduce a una deficiencia de surfactante, es una causa principal de morbilidad (MRN) y mortalidad respiratoria neonatal, especialmente en prematuros y neonatos a término temprano. A pesar de los avances en cuidados neonatales, la MRN continúa siendo una complicación prevalente en estas poblaciones. Condiciones gestacionales como la diabetes mellitus gestacional (DMG), la preeclampsia (PE), el oligohidramnios y la restricción del crecimiento intrauterino pueden afectar aún más el desarrollo pulmonar fetal. La evaluación precisa de la MPF es crucial, particularmente en el tercer trimestre, para guiar decisiones clínicas sobre el uso de corticoides antenatales y el momento de partos electivos. Los métodos actuales para evaluar la MPF dependen de procedimientos invasivos como la amniocentesis, que conllevan riesgos. Los métodos no invasivos han sido explorados, pero carecen de precisión diagnóstica suficiente. Este estudio busca establecer un modelo normal de clasificación de la edad gestacional (EG) del pulmón fetal mediante algoritmos de aprendizaje profundo (AP) y evaluar su potencial en la evaluación de la MPF.
Métodos
Se utilizó un conjunto de datos de 7013 imágenes ecográficas obtenidas de 1023 embarazos normales entre 20 y 41+6 semanas de gestación. Todos los embarazos estuvieron libres de complicaciones que pudieran afectar el desarrollo pulmonar fetal, y los neonatos nacieron sin enfermedades respiratorias. Las imágenes se clasificaron en tres grupos según la EG: clase I (20 a 29+6 semanas), clase II (30 a 36+6 semanas) y clase III (37 a 41+6 semanas), con 3323, 2142 y 1548 imágenes respectivamente. Las imágenes fueron recolectadas con ocho equipos ecográficos de seis fabricantes, asegurando diversidad representativa.
El enfoque basado en AP incluyó tres pasos: preprocesamiento, construcción de una red de clasificación y validación. En el preprocesamiento, se eliminó información irrelevante mediante segmentación por umbral para aislar la región de interés (ROI). La red de clasificación, basada en la arquitectura DenseNet, incluyó capas convolucionales, de agrupamiento, bloques densos, capas de transición y capas totalmente conectadas. El entrenamiento empleó pérdida de entropía cruzada y optimización por descenso de gradiente estocástico con momento. Se aplicó aumento de datos (rotación, recorte y volteo aleatorio) para evitar sobreajuste. La validación utilizó diez iteraciones de validación cruzada, evaluando precisión, sensibilidad, especificidad y área bajo la curva ROC (AUC).
Resultados
El modelo basado en AP mostró alta precisión en la clasificación de imágenes por EG. Las sensibilidades para las clases I, II y III en el conjunto de prueba independiente fueron 91,7%, 69,8% y 86,4%, respectivamente; las especificidades, 76,8%, 90,0% y 83,1%. La precisión total fue 83,8%. Los valores de AUC para las clases fueron 0,982, 0,907 y 0,960, con promedios micro y macro de 0,957 y 0,949. Estos resultados indican una capacidad efectiva para distinguir categorías de EG.
Comparado con métodos tradicionales (bosques aleatorios, máquinas de vectores de soporte y naïve Bayes), el modelo de AP superó en precisión, sensibilidad, especificidad y AUC. Por ejemplo, los puntajes macroF1 y microF1 fueron 81,8% y 83,8% para AP, frente a 51,4%/52,9% para naïve Bayes, 65,8%/69,3% para bosques aleatorios y 71,1%/73,2% para SVM.
Discusión
El modelo establecido tiene aplicaciones clínicas relevantes: identificación de desarrollo pulmonar anormal por condiciones gestacionales y evaluación de madurez postratamiento con corticoides. Su capacidad para extraer automáticamente características sutiles relacionadas con la EG lo posiciona como una herramienta no invasiva prometedora, reduciendo la dependencia de procedimientos invasivos. Además, su robustez ante variaciones en parámetros de adquisición (profundidad, ganancia) supera las limitaciones de métodos cuantitativos tradicionales.
Las limitaciones incluyen el diseño retrospectivo, el tamaño limitado de datos en clases II/III y el enfoque en embarazos normales. Futuros estudios deberán ampliar la diversidad de datos y validar el modelo en poblaciones de alto riesgo.
Conclusiones
Este estudio estableció exitosamente un modelo de clasificación de la EG del pulmón fetal mediante AP, demostrando alta precisión y potencial clínico para evaluar la MPF de forma no invasiva. La superioridad del AP sobre métodos tradicionales resalta su utilidad en obstetricia. Los hallazgos respaldan investigaciones futuras en embarazos complicados y ampliación de aplicaciones clínicas.
doi.org/10.1097/CM9.0000000000001547