INTRODUCCIÓN

Con la capacidad computacional que tenemos a nuestra disposición, la inteligencia artificial puede revolucionar la atención al paciente, sin dejar de lado el enfoque personalizado y la orientación médica de la medicina clínica tradicional. Esto se ha hecho aún más palpable durante la pandemia de COVID-19, la cual ha impulsado avances sin precedentes en la aceptación y disponibilidad de tecnología en todos los sectores de la sociedad, especialmente en el sistema de atención de salud.

En el ámbito de la investigación en hepatología, numerosos estudios prospectivos de gran envergadura están reclutando activamente con el objetivo de explorar resultados. Estos ofrecerán los datos de calidad y solidez que se necesitan. El enorme potencial de manejar una gran cantidad de variables en bases de datos complejas y determinar la probabilidad de resultados específicos en un tiempo muy reducido, superará con creces la capacidad de un médico individual que se basa en su experiencia personal y formación médica.

CNNs PARA DIAGNOSTICAR ESTEATOSIS HEPÁTICA BASADAS EN IMÁGENES DE ULTRASONIDO.

Existe una gran cantidad de información de investigación que ha sido recopilada, y la mayoría de estos datos se han generado a partir de estudios que se han llevado a cabo sobre la aplicación de Inteligencia Artificial en la evaluación de enfermedades hepáticas a través de la técnica de ultrasonido. Esta metodología ha demostrado ser particularmente eficaz en la identificación y el análisis de estas afecciones.

Las redes neuronales convolucionales (CNN), una forma avanzada de inteligencia artificial, han demostrado una alta precisión en el campo médico, especialmente en el diagnóstico de la esteatosis hepática. Utilizando imágenes en modo B de ultrasonido, una técnica de imagenología que produce imágenes en tiempo real del interior del cuerpo, las CNN han logrado replicar con alta precisión el diagnóstico de esteatosis hepática que un médico haría.

En términos concretos, el DL logró un área bajo la curva de Característica Operativa del Receptor (AUROC) de 0.98, lo cual es una medida de la precisión de la prueba. Esta eficacia se observó al comparar los resultados del DL con el estándar de referencia de la Imagen por Resonancia Magnética de la Fracción de Grasa del Parénquima (MRI-PDFF) en la detección de la esteatosis hepática, una afección que se caracteriza por la acumulación de grasa en el hígado. Lo más impresionante de este hallazgo es que la alta precisión del DL se logró incluso en ausencia de fantasmas para entrenar la adquisición de imágenes, lo que demuestra la robustez y la adaptabilidad de esta técnica.

Fibrosis Hepática

El estudio de la detección de fibrosis de nivel significativo (F2) o avanzado (F3) a través del uso de la elastografía basada en ultrasonido, ha sido objeto de un estudio muy exhaustivo. Este estudio se realizó en el Hospital General de Massachusetts, y para su realización, se analizaron 3392 imágenes obtenidas de 328 casos diferentes.

La aplicación de una red neuronal convolucional (CNN) para mejorar la elastografía de ondas de corte demostró tener un impacto significativo en la mejora de la detección de estas etapas de fibrosis. Como resultado del uso de esta CNN, el área bajo la curva de características operativas del receptor (AUROC) de la elastografía de ondas de corte convencional experimentó un aumento notable, pasando de 0.74 a 0.89.

Esto fue posible gracias a la mejora en varios aspectos clave del proceso: la mejora de la calidad de las imágenes obtenidas, la selección más precisa de una región de interés y la clasificación más efectiva de dicha región de interés. Estos avances confirman el potencial de la tecnología CNN para mejorar la detección de etapas avanzadas de fibrosis.

Carcinoma Hepatocelular

Al evaluar el uso del ultrasonido como herramienta para la identificación del carcinoma hepatocelular (HCC), una Red Neuronal Convolucional (CNN) de gran profundidad demostró ser altamente eficaz, obteniendo un Área Bajo la Curva ROC (AUROC) de 0.92 para diferenciar entre lesiones hepáticas benignas y malignas. Es crucial destacar que este resultado superó la sensibilidad y especificidad diagnóstica de radiólogos con años de experiencia. Además, se encontró que el desempeño de la CNN es comparable con el de la Tomografía Computarizada con contraste (CT), una de las técnicas más utilizadas en el campo, y solo fue ligeramente inferior a la Resonancia Magnética con contraste, que es considerada el estándar de oro para este tipo de diagnósticos.

Las altas métricas de rendimiento de la IA y ML en la refinación de la precisión diagnóstica para enfermedades hepáticas no superan las limitaciones inherentes que tienen modalidades de imagen específicas. Tradicionalmente, el uso de imágenes de CT para detectar esteatosis hepática no mostró una alta precisidad para esteatosis hepática leve. En un análisis reciente utilizando un algoritmo de segmentación hepatoesplénica volumétrica completamente automatizado y CNNs tridimensionales con MRI-PDFF como estándar de referencia, el AUROC para detectar esteatosis hepática leve, moderada y avanzada mostró valores de 0.669, 0.854 y 0.962, respectivamente. Así, incluso las CNN y las imágenes de CT de alta gama carecen de precisión para detectar grados leves de esteatosis hepática.

Un aspecto particularmente interesante en la imagenología respaldada por la IA es mejorar los informes radiológicos para incluir regularmente aspectos de la salud y enfermedad hepática, incluso cuando la razón para el examen radiológico no está directamente relacionada con una enfermedad hepática. Las resonancias magnéticas (MRI) demuestran una buena correlación entre los cambios en la nodularidad de la superficie hepática y la presencia de fibrosis avanzada en la histología hepática. Por ende, una aplicación clínica en la que la IA podría ser útil en el backend de un servidor de imágenes, sería señalar la presencia de una nodularidad superficial incrementada para que el radiólogo tenga en cuenta la posibilidad de cirrosis en los informes estructurados.

A pesar de los resultados prometedores de los algoritmos de IA en la imagenología hepática, varios problemas limitan su uso generalizado, incluyendo variaciones en la adquisición de datos por diferentes escáneres, protocolos de imagen y métodos de reconstrucción de imágenes. Se deben tomar varios pasos concretos para estandarizar la medición y análisis de biomarcadores de imagen. Los detalles del desarrollo del algoritmo, incluyendo los conjuntos de datos y el código fuente de la computadora, deben ser compartidos para asegurar una traducción transparente al flujo de trabajo clínico.

Algoritmos de ML para permitir la medición cuantitativa de características histológicas de NASH.

A pesar de los avances en las técnicas de diagnóstico, la biopsia hepática sigue siendo considerada el estándar de oro para diagnosticar la esteatohepatitis no alcohólica (NASH) y la fibrosis. Esto se debe a su capacidad para proporcionar una evaluación detallada de las características histológicas clave de la enfermedad, como la esteatosis, inflamación, globulización y fibrosis. Sin embargo, la evaluación semicuantitativa de estas características por parte de los patólogos no está exenta de problemas. Se ha demostrado que esta forma de evaluación puede ser subjetiva y propensa a una considerable variabilidad tanto dentro del mismo observador (intraobservador) como entre diferentes observadores (interobservador). Esta variabilidad puede tener un impacto significativo en la precisión del diagnóstico y, por tanto, en el tratamiento y pronóstico del paciente.