Saltar al contenido

El aprendizaje profundo apoya la diferenciación de cirrosis alcohólica y no alcohólica basada en resonancia magnética

18 de mayo de 2022

El propósito de este estudio fue investigar si un análisis basado en el aprendizaje profundo puede ayudar a diferenciar la etiología de la cirrosis hepática en base a una resonancia magnética ponderada en T2 clínica de rutina. Se encontró una capacidad discriminatoria de aceptable a excelente para distinguir a los pacientes con cirrosis alcohólica y no alcohólica. En un estudio anterior, se propuso un ResNet50 con parámetros ImageNet preentrenados congelados para la detección automática de cirrosis hepática en resonancia magnética ponderada en T213. Los resultados de nuestro estudio de prueba de concepto amplían los hallazgos de este informe anterior y muestran que el aprendizaje profundo no solo permite la detección de la cirrosis, sino que también puede ayudar a identificar la causa subyacente de la enfermedad.

Aunque la capacidad de ResNet50 preentrenada de ImageNet para discriminar entre cirrosis alcohólica y no alcohólica puede describirse como excelente19es inferior a la diferenciación de hígados cirróticos versus no cirróticos13. Esto puede deberse a una menor distinción entre los criterios de imagen que indican diferentes causas de la enfermedad en comparación con los criterios de imagen que distinguen un órgano enfermo de un órgano no enfermo. Por ejemplo, se ha descrito que se espera una apariencia hipertrófica del lóbulo caudado/parénquima hepático central en la cirrosis relacionada con el alcohol, pero también en la colangitis esclerosante primaria y la cirrosis relacionada con el síndrome de Budd-Chiari.11.

De los dos modelos investigados en el estudio actual, ResNet50 mostró un mayor rendimiento de clasificación en los datos de prueba. Sin embargo, el rendimiento no fue significativamente mayor en comparación con Densenet121. Curiosamente, para ambas CNN, el entrenamiento posterior con parámetros preentrenados descongelados no aumentó significativamente el rendimiento de la clasificación en los datos de prueba. Esto puede sugerir que las capacidades de extracción de las características generales de imagen de los núcleos convolucionales, aprendidas durante el entrenamiento previo con la base de datos ImageNet, se generalizan bien a las imágenes de resonancia magnética ponderadas en T2. Un conjunto de los dos modelos entrenados con parámetros no congelados logró la misma precisión y un AUC ligeramente superior en comparación con ResNet50; sin embargo, la diferencia no fue estadísticamente significativa. Por lo tanto, no se observó ninguna ventaja clara al usar un conjunto de las dos arquitecturas diferentes de ImageNet previamente entrenadas.

El análisis de Grad-CAM indica que la morfología de imagen del lóbulo hepático derecho y el lóbulo caudado parecen contener información particularmente relevante para distinguir la cirrosis hepática alcohólica de la cirrosis hepática no alcohólica. Esto está en línea con estudios previos, que describen que el signo de la escotadura hepática posterior derecha, definido como una hendidura aguda en la superficie del hígado en el límite posterior del lóbulo derecho y caudado, se considera particularmente prevalente entre los pacientes con cirrosis hepática alcohólica.12,20. Como se describió anteriormente, las hipertrofias del lóbulo caudado y las áreas hepáticas centrales se observan con mayor frecuencia en pacientes con enfermedades relacionadas con el alcohol, pero también se observan en otras etiologías. Hasta donde sabemos, actualmente no hay estudios que presenten métricas para la precisión diagnóstica de la etiología de la cirrosis en base a dichos criterios de imagen.11,12. Sin embargo, un trabajo muy reciente investigó un enfoque radiómico que relaciona las características de las imágenes con la etiología de la cirrosis hepática y también logró resultados prometedores.21. A diferencia del método de aprendizaje profundo presentado en el estudio actual, el enfoque radiómico propuesto requiere una definición manual de la región de interés. Hasta la fecha, las características de las imágenes no se han utilizado en la práctica clínica habitual para identificar el alcohol como causa de la cirrosis.

Recomendado:  Entrenamiento de un modelo de regresión lineal en PyTorch

En la rutina clínica, la cirrosis hepática generalmente se diagnostica mediante una combinación de hallazgos clínicos y de imagen característicos, las pruebas de laboratorio correspondientes y exámenes auxiliares como la ecografía abdominal. Por lo tanto, si bien este estudio suele ser sencillo para la cirrosis relacionada con el virus, puede ser mucho más laborioso en pacientes con enfermedades relacionadas con el alcohol, que en muchos casos pueden diagnosticarse solo por exclusión, ya que no hay hallazgos de laboratorio específicos.22. Se recomienda la biopsia hepática si la etiología de la cirrosis es incierta, pero está limitada debido a su naturaleza invasiva, la variabilidad entre observadores y el posible error de muestreo.2,23. Además, los cambios del parénquima relacionados con la cirrosis pueden dificultar o incluso impedir un análisis histológico correcto.2.

La cirrosis hepática compensada suele ser asintomática; por lo tanto, se puede suponer que muchos pacientes que se someten a una resonancia magnética clínica de rutina por otras indicaciones pueden no ser conscientes de una enfermedad hepática concomitante. En estos pacientes, una tubería que identifica automáticamente las alteraciones de los tejidos y puede clasificar las posibles etiologías de la enfermedad tiene el potencial de guiar mejor las vías de diagnóstico y, por lo tanto, iniciar una terapia específica antes. Con la ayuda de algoritmos de aprendizaje profundo, las modalidades simples de imágenes transversales podrían servir como biomarcadores basados ​​en imágenes para la clasificación de la enfermedad hepática en el futuro. Particularmente en la cirrosis hepática alcohólica, la identificación oportuna y correcta de la etiología subyacente es crucial, ya que se demostró que la abstinencia temprana es el determinante clave del resultado a largo plazo.8,24. La evaluación clínica única de la enfermedad hepática alcohólica por sí sola podría no ser trivial en la práctica clínica porque se basa principalmente en el autoinforme de los pacientes. En este sentido, las aplicaciones de aprendizaje profundo tienen el potencial de ayudar al diagnóstico al extraer también información relevante que puede no ser evidente para el ojo humano.

Recomendado:  Lo que nadie te dirá sobre los robots - OZY

Nuestro estudio tiene varias limitaciones. El algoritmo se desarrolló solo para la clasificación binaria y actualmente no admite la diferenciación de varias etiologías de cirrosis no relacionadas con el alcohol. Debido al número limitado de pacientes dentro de las respectivas subclases y para asegurar colectivos de tamaño comparable para la clasificación, decidimos agrupar a los pacientes con cirrosis no alcohólica. Se necesitan estudios futuros con muestras más grandes de los respectivos subgrupos para corroborar los hallazgos de este estudio de prueba de concepto y expandir su aplicación. El beneficio clínico también aumentaría significativamente por una extensión a otras etiologías. Especialmente, NAFLD se está convirtiendo en la principal causa de enfermedad hepática crónica en muchos países y la detección de cirrosis relacionada con el metabolismo en imágenes transversales debe explorarse más en estudios futuros. Además, no pudimos analizar las posibles etiologías coexistentes de cirrosis hepática en nuestro análisis exploratorio, ya que no se dispuso de datos detallados sobre factores de riesgo adicionales debido al diseño retrospectivo del estudio. Sin embargo, los estudios futuros deberían evaluar la capacidad de los métodos de aprendizaje profundo para diferenciar la enfermedad hepática superpuesta, como la esteatohepatitis alcohólica y no alcohólica (BASH). Además, utilizamos exclusivamente imágenes ponderadas en T2 de corte único de hígados segmentados y modelos preentrenados de ImageNet, ya que estos han demostrado ser adecuados para la detección de cirrosis hepática en un estudio anterior.13. Los estudios futuros también pueden abordar un enfoque tridimensional que también tenga en cuenta las manifestaciones extrahepáticas en pacientes cirróticos o el uso de otras secuencias de imágenes para diferenciar las etiologías.

Recomendado:  El aprendizaje en arquitecturas de árbol supera a una red de realimentación convolucional

En resumen, los resultados de este estudio de prueba de principio demuestran que la discriminación entre cirrosis alcohólica y no alcohólica basada en imágenes clínicas de un solo corte ponderadas en T2 es factible con una capacidad de discriminación aceptable a excelente. Esto indica el potencial del aprendizaje profundo para una evaluación más completa de la enfermedad hepática difusa.