Determinar el desarrollo normal de mielina en cerebros que se encuentran en constante cambio como son los bebés y niños pequeños puede ser complejo y estar sujeto a variaciones tanto intra como interobservador, por lo que se considera un desafío incluso para los expertos en el campo de la neurorradiología pediátrica. El disponer de modelos de aprendizaje para hacer una estimación automatizada de la maduración de la mielina podría evitar esta variabilidad y facilitar este trabajo.

Para ello los autores realizan un estudio retrospectivo utilizando dos modelos de aprendizaje 2D y 3D entrenados a partir de un conjunto de exploraciones de RM de niños menores de 36 meses. Los resultados obtenidos se comparan con dos bases de datos externas al que se les aplicó el mismo método de procesamiento de imágenes. El resultado de dicho estudio concluyó que los modelos de aprendizaje eran capaces de determinar con precisión la edad de la mielina en la infancia y la primera infancia, con un error absoluta medio de 1,77 meses (IC del 95%: 1,37, 2,23), mejorando los resultados propuestos por otros autores.

PUNTOS FUERTES:

• Trabajo interesante y original que nos acerca al mundo de las nuevas herramientas de algoritmos e inteligencia artificial y como estas facilitan y estandarizan nuestro trabajo diario.
• Aunque ya existen otras publicaciones sobre el uso de modelos de aprendizaje para calcular de forma automatizada la maduración de la mielina a partir de exploraciones de RM este es el que cuenta con un mayor número de casos por los que los resultados pueden ser más robustos.

PUNTOS DÉBILES:

• Los autores solo utilizan casos sin alteraciones en la maduración de mielina, por lo que sería interesante comprobar como se comportan los modelo en casos con retraso en la maduración de la mielina.
• Los autores no profundizan en como estos modelos realizan el análisis de la mielina lo que dificulta en algunos momentos la comprensión del trabajo.

Dra. Rocío Rodríguez Ortega

Editora de la sección de Radiología Pediátrica (SERPE).