Utilidad del Algoritmo Basado en Redes Neuronales Convolucionales en Imágenes Médicas para la Evaluación de la Fibrosis Hepática
La fibrosis hepática es una etapa crítica que puede conducir a disfunción hepática y es significativa en la progresión hacia hipertensión portal, cirrosis biliar y carcinoma hepatocelular. La evaluación precisa de la fibrosis hepática sigue siendo una preocupación clínica para los médicos. Históricamente, la biopsia hepática se ha considerado el estándar de oro para el diagnóstico y evaluación de la fibrosis. Sin embargo, debido a su naturaleza invasiva, variabilidad en la muestra, y diferencias inter e intraobservador en las interpretaciones patológicas, la biopsia no siempre es bien recibida por pacientes y clínicos. En consecuencia, se han desarrollado métodos no invasivos para evaluar la fibrosis hepática mediante imágenes médicas, ofreciendo operación conveniente y precisión diagnóstica aceptable. La detección temprana de fibrosis hepática mediante imágenes clínicas puede reducir la insuficiencia hepática y prevenir la progresión de la enfermedad. Tradicionalmente, la interpretación de imágenes médicas ha sido realizada por expertos, pero con el avance de los algoritmos de aprendizaje profundo en inteligencia artificial, los médicos ahora pueden obtener evaluaciones más precisas para la toma de decisiones clínicas.
Las Redes Neuronales Convolucionales (CNN, por sus siglas en inglés) han surgido como un método preferido para el procesamiento de imágenes médicas en la evaluación de fibrosis hepática, incluyendo segmentación de imágenes, clasificación clínica y predicción. Las CNN han demostrado robustez frente a heterogeneidad de datos y son efectivas para evaluar diferentes etapas de fibrosis, mostrando alta precisión diagnóstica en clasificación de imágenes.
El objetivo principal de esta investigación fue analizar las técnicas básicas de las CNN y algoritmos recientes aplicados a la evaluación de fibrosis hepática en imágenes médicas, explorando la extracción de características, operaciones de convolución, normalización y funciones de activación ReLU. Además, se revisaron estudios que utilizan CNN para estadificar la fibrosis y se discutieron algoritmos futuros.
Metodología
Se realizó una búsqueda en bases de datos (MEDLINE, EMBASE, Chinese Biomedical Literature Database, WANFANG, CNKI) desde el 1 de enero de 1966 hasta el 1 de enero de 2020, utilizando términos relacionados con fibrosis hepática, CNN y precisión diagnóstica. Los criterios de inclusión abarcaron pacientes de 18–65 años, uso de CNN para estadificación de fibrosis y evaluación de precisión mediante AUROC, sensibilidad (SEN), especificidad (SPE), tasa de falsos positivos (FPR) o falsos negativos (FNR). Se excluyeron pacientes con enfermedades cardiovasculares graves, trastornos psicológicos o tumores malignos digestivos.
Resultados
Se identificaron ocho estudios que utilizaron algoritmos basados en CNN para estadificar la fibrosis hepática. Un estudio se centró en fibrosis por enfermedad del hígado graso no alcohólico (EHGNA) y siete en fibrosis por virus de la hepatitis B (VHB).
- Liu et al. desarrollaron un sistema de diagnóstico asistido por computadora basado en ultrasonido, logrando una precisión de 0,968 con una CNN.
- Brattain et al. diseñaron un marco automatizado para imágenes de elastografía por onda de corte (SWE), donde la CNN alcanzó un AUROC de 0,890.
- Byra et al. utilizaron una Inception-ResNet-v2 preentrenada en ImageNet, logrando un AUROC de 0,977 para esteatosis hepática.
- Wang et al. evaluaron la radiómica de elastografía con aprendizaje profundo (DLRE), mostrando AUROCs de 0,970 (cirrosis), 0,980 (fibrosis avanzada) y 0,850 (fibrosis significativa).
- Yu et al. validaron un algoritmo basado en AlexNet-CNN preentrenada, superando a métodos convencionales.
- Yasaka et al. correlacionaron estadios de fibrosis con imágenes de tomografía computarizada (TC) dinámica.
- Treacher et al. optimizaron arquitecturas de CNN mediante búsqueda aleatoria, mejorando la precisión de expertos.
- Gatos et al. mejoraron la precisión en imágenes SWE mediante detección de áreas de rigidez con CNN.
Técnicas de CNN
- Capa convolucional: Extrae características mediante núcleos aplicados a la entrada, combinando funciones lineales y no lineales. Los mapas de características se conectan localmente y se propagan a capas posteriores.
- Capa totalmente conectada: Transforma características en un arreglo unidimensional para clasificación final.
- Funciones de activación: La elección de ReLU, sigmoide o tanh en la última capa influye en la precisión diagnóstica. La función sigmoide ajusta probabilidades entre 0 y 1, útil para clasificación binaria.
Las CNN destacan por extraer características automáticamente y reducir la dimensionalidad de datos, facilitando el reconocimiento de patrones en imágenes médicas. Sin embargo, la interpretación de neuronas y funciones no lineales sigue siendo un desafío. Técnicas de visualización de características ayudan a los clínicos a comprender las decisiones del modelo.
Conclusión
Los algoritmos basados en CNN ofrecen un enfoque prometedor para la evaluación no invasiva de la fibrosis hepática, demostrando alta precisión y aplicabilidad en diversos métodos de imagenología. Futuras investigaciones deben enfocarse en optimizar arquitecturas y mejorar la interpretabilidad clínica.
doi.org/10.1097/CM9.0000000000001536