Revista virtual de Radiología

Radiology, Radiographics (RSNA)

Radiology, Radiographics (RSNA)

Radiology: Artificial Intelligence
Willemink MJ, Roth HR and Sandfort V Toward Foundational Deep Learning Models for Medical Imaging in the New Era of Transformer Networks Radiology: Artificial Intelligence 2022; 4(6):e210284

Toward Foundational Deep Learning Models for Medical Imaging in the New Era of Transformer Networks

SERAM - Radiology Radiographics
Autor/es: Willemink MJ, Roth HR and Sandfort V

Los modelos de aprendizaje profundo (Deep Learning) son actualmente la piedra angular de la inteligencia artificial en análisis de las imágenes médicas. El núcleo tecnológico de las redes neuronales convolucionales (CNN) solo ha tenido innovaciones modestas en los últimos años. Hay pues una necesidad de mejora y en este sentido, recientemente, han surgido redes de transformadores (Transformers Networks) que reemplazan a las CNN con un mecanismo de atención complejo, que han igualado o superado el rendimiento de las CNN en muchas tareas.

Los transformadores necesitan grandes cantidades de datos de entrenamiento, incluso más que las CNN, pero obtener datos etiquetados bien seleccionados es costoso y difícil. Una posible solución a este problema sería transferir el aprendizaje con entrenamiento previo en una tarea auto supervisada usando grandes cantidades de datos médicos no etiquetados. Esta red preentrenada luego podría ajustarse en tareas específicas de imágenes médicas con requisitos de datos relativamente modestos.

Los autores creen que la disponibilidad de un modelo 3D a gran escala sería muy beneficioso para la investigación en imágenes médicas. En este artículo, discuten los desafíos y obstáculos de capacitar a un gran transformador de imágenes médicas, incluidas las necesidades de datos, los sesgos, tareas de entrenamiento, arquitectura de red, preocupaciones de privacidad y requisitos computacionales. Consideran que los obstáculos son sustanciales, pero no insuperables para equipos colaborativos ingeniosos que pueden incluir socios académicos y de la industria de la tecnología de la información.

El artículo cuenta con dos figuras. En la figura primera se muestra un ejemplo de uso de lenguaje natural con texto o con un modo visual. También se muestra un ejemplo de segmentación de estructuras con alta dificultad técnica para ello como el estómago o el páncreas. En la figura 2 se muestra como se convierte una imagen en una secuencia de imágenes de menor tamaño para permitir su análisis.

PUNTOS FUERTES:

  • Calidad de las dos figuras del artículo que muestra dos ejemplos muy ilustrativos del mensaje que quiere transmitir esta publicación.
  • Revisión bibliográfica completa.
  • Equipo potente de autores.

PUNTOS DEBILES:

  • No hay discusión sobre la aplicación de esta tecnología en el flujo de trabajo completo de la imagen médica por ejemplo a nivel de la valoración de la adecuación de la demanda de pruebas de diagnóstico por la imagen.
  • No hay un comentario sobre las limitaciones del estudio.

 

 

Dr. Salvador Pedraza

Sección de Formación en Radiodiagnóstico - FORA

Radiology: Cardiothoracic imaging
Meah MN, Bularga A, Tzolos E, Chapman AR, Daghem M, Hung JD, et al. Distinguishing Type 1 from Type 2 Myocardial Infarction by Using CT Coronary Angiography Radiol Cardiothorac Imaging. 2022 Oct 27;4(5):e220081

Distinguishing Type 1 from Type 2 Myocardial Infarction by Using CT Coronary Angiography

SERAM - Radiology Radiographics
Autor/es: Meah MN, Bularga A, Tzolos E, Chapman AR, Daghem M, Hung JD, et al.

Interesante artículo original que consiste en el análisis secundario de datos obtenidos de dos estudios clínicos prospectivos que evalúan el rol de la angio-TC coronaria en el diagnóstico del síndrome coronario agudo, con el objetivo de determinar si la caracterización cuantitativa de la placa coronaria por angio-TC puede discriminar entre el infarto de miocardio (IM) tipo 1 y el tipo 2.

Ambos tienen una etiopatogenia e implicaciones terapéuticas y pronósticas diferentes, mientras que el IM tipo 1 suele precipitarse por la rotura aguda de una placa ateroesclerótica con trombosis y oclusión coronaria, el IM tipo 2 se produce por el desajuste entre el aporte y la demanda de oxígeno por diversas causas.

En total se incluyeron 327 participantes (155 con IM tipo 1 y 136 con dolor torácico sin IM, provenientes de un estudio; 36 pacientes con IM tipo 2 provenientes del otro estudio). Mediante análisis estadístico de regresión logística se identificaron predictores de IM tipo 1. Se observó que los participantes con IM tipo 1 presentaron mayor carga de placa total, de placa no calcificada y de placa de baja atenuación en comparación con los participantes con IM tipo 2, mientras que los pacientes con IM tipo 2 tuvieron una carga de placa de baja atenuación similar al grupo con dolor torácico sin IM.

La conclusión más relevante del estudio fue que la placa coronaria de baja atenuación es un predictor independiente de IM tipo 1 (con mejor discriminación que la placa no calcificada y que el área de estenosis coronaria), lo que podría ser de utilidad para diferenciar los pacientes con IM tipo 1 y tipo 2 mediante una prueba no invasiva.

PUNTOS FUERTES:

  • Análisis cuantitativo de la angio-TC coronaria mediante un software semiautomático validado y valorado por un mismo observador en todo el estudio.
  • Análisis ciego por parte del observador en cuanto al estudio de origen y al diagnóstico original.

PUNTOS DÉBILES:

  • Limitaciones de un análisis secundario de datos provenientes de dos estudios con diferente diseño, aunque resaltan que utilizan el mismo protocolo de adquisición de la angio-TC coronaria en ambos estudios originales.
  • Considerable menor número de participantes con IM tipo 2 lo que limita la comparación de los resultados y conclusiones.

 

Dra Mariana Benegas

Sección de Radiología Cardiotorácica- SEICAT

Radiology
Nehlsen AD, Sindhu KK, Wolken T, Khan F, Kyriakakos CK, Ward SC, et al. Characterization and Prediction of Signal Intensity Changes in Normal Liver Parenchyma on Gadoxetic Acid–enhanced MRI Scans after Liver-directed Radiation Therapy.Radiology: Imaging Cancer 2022; 4(4):e210100.

Characterization and Prediction of Signal Intensity Changes in Normal Liver Parenchyma on Gadoxetic Acid–enhanced MRI Scans after Liver-directed Radiation Therapy

SERAM - Radiology Radiographics
Autor/es: Nehlsen AD, Sindhu KK, Wolken T, Khan F, Kyriakakos CK, Ward SC, et al.

Artículo original, retrospectivo, que tiene como objetivo evaluar los cambios hepáticos tras el tratamiento con radioterapia (reacción hepática focal, en inglés focal liver reaction (FLR)).

Para ello, seleccionaron una muestra de 100 pacientes (edad media 65 años; 80 hombres y 20 mujeres) con tumores de estirpe hepato-biliar (carcinoma hepatocelular, colangiocarcinoma y metástasis hepáticas) que habían sido tratados con radioterapia. La respuesta se evaluó con resonancia magnética con contraste hepatoespecífico (ácido gadoxético).

Las TC de simulación se fusionaron con la fase hepatobiliar de las RM obtenidas entre 1-6 meses y 6-12 meses tras la RT. Para definir el volumen de la FLR, dos oncólogos radioterápicos independientes delimitaron los bordes de la hipointensidad que se veía en la RM hepática y que se correspondía con la zona donde se aplicaba la RT. Se calculó el umbral de dosis biológicamente efectiva necesaria para la formación de FLR, la ratio albúmina/bilirrubina y la supervivencia global.

Los resultados demostraron que muchos pacientes desarrollaron una FLR, que disminuyó en volumen a lo largo del tiempo. Mientras que las mayores ratios albúmina/bilirrubina basal se asociaban con una menor tasa de FLR, hubo una asociación significativa entre el volumen de FLR y el aumento de la ratio albúmina/bilirrubina a los 1-6 meses.

La supervivencia estimada a los 12 meses fue del 81% y a los 24 meses del 48%. Tras el análisis de estos resultados, la conclusión final es que la FLR fue una clara medida de daño hepático tras la radioterapia y que estaba asociada con el desarrollo de disfunción hepática y enfermedad focal inducida por la radiación.

PUNTOS FUERTES:

  • Aunque su diseño es retrospectivo, el artículo adolece de sesgos metodológicos que comprometan sus conclusiones. Llega a conclusiones interesantes.

PUNTOS DÉBILES:

  • La muestra no es muy grande y proviene de un solo centro hospitalario.

 

Dra Cristina García Villar

Sección de Radiología de abdomen - SEDIA

Radiology
Fink MA, Kades K, Bischoff A, Moll M, Schnell M, Küchler M et al, Deep Learning–based Assessment of Oncologic Outcomes from Natural Language Processing of Structured Radiology Reports Radiology: Artificial Intelligence 2022; 4(5):e220055

Deep Learning–based Assessment of Oncologic Outcomes from Natural Language Processing of Structured Radiology Reports

SERAM - Radiology Radiographics
Autor/es: Fink MA, Kades K, Bischoff A, Moll M, Schnell M, Küchler M et al

Existe un creciente interés en la utilidad de las técnicas de procesamiento de lenguaje natural (NLP) para extraer información significativa en los informes médicos.  A nivel de oncología debemos determinar el grado de respuesta tumoral post-tratamiento. En este sentido el objetivo del este estudio es analizar la utilidad de los informes estructurados para entrenar a técnicas de lenguaje natural (NLP) para determinar el grado de respuesta tumoral. Asimismo, se compara la sensibilidad de estas técnicas con otras técnicas de NLP y con la valoración de expertos

El estudio analiza de manera retrospectiva más de 10000 informes radiológicos estructurados oncológicos.

Los resultados principales del estudio es que estas técnicas de NLP tienen sensibilidad similar al alcanzado por estudiantes de medicina para determinar el grado de respuesta al tratamiento oncológico, pero inferior al que consiguen radiólogos expertos.

El estudio también demuestra, la dificultad secundaria a la complejidad léxica y a la diversidad semántica de los informes radiológicos.

PUNTOS FUERTES:

Este estudio da apoyo al uso de informes estructurados de los estudios radiológicos para permitir la validación de algoritmos de inteligencia artificial.

PUNTOS DEBILES:

Es un estudio retrospectivo lo que limite la generalización de los resultados

 

Dr. Salvador Pedraza

Sección de Formación - FORA

 

Radiology
Edward P. Lin et al. Head and Neck Paragangliomas: an update on the molecular classification, State-of-the-Art imaging, and management recommendations Radiology: Imaging Cancer. 2022; 4(3):e210088

Head and Neck Paragangliomas: An Update on the Molecular Classification, State-of-the-Art Imaging, and Management Recommendations

SERAM - Radiology Radiographics
Autor/es: Edward P. Lin et al.

En este interesante y amplio artículo de revisión, los autores no solamente hacen una extensa descripción de los principales hallazgos en imagen de los Paragangliomas de Cabeza y Cuello, si no que nos introducen a la clasificación molecular de los paragangliomas y su impacto en el manejo y el pronóstico de estos tumores.

En la revisión de la imagen, se centran en las técnicas de primera elección: TC de cuello que aporta mayor resolución espacial para tumores pequeños, RM de cuello que nos aporta mejor resolución tisular; hacen un repaso de las técnicas avanzadas de RM (perfusión T1 con análisis de los parámetros de permeabilidad –ktrans y kep-, espectroscopía –pico de Succinato-, arterial spin labeling (ASL), angioRM con contraste.

Además, repasan de forma rigurosa la imagen funcional (medicina nuclear), analizando los principales radiotrazadores con avidez por los receptores de somatostatina, especialmente indicados para la estadificación o el manejo y el seguimiento de la enfermedad metastásica (68Ga-DOTATATE).

En cuanto a la clasificación molecular (hasta un 40% de los paragangliomas presentan mutaciones genéticas patogénicas en línea germinal), describen los 3 principales cluster moleculares: pseudohipoxia, señalización-kinasa y wingless alterado.

 

PUNTOS FUERTES:

  • Exhaustiva revisión de los hallazgos en la imagen de la TC y la RM, incluyendo secuencias avanzadas
  • Abundante iconografía
  • Pormenorizada revisión de los trazadores de Medicina Nuclear
  • Explicación detallada de las vías moleculares

PUNTOS DÉBILES: 

  • Realmente es un artículo de revisión muy robusto, abarcando todos los campos del diagnóstico y el tratamiento. Quizás, algo más de iconografía se podría haber incluido para un artículo de revisión.

 

Dr. Víctor M. Suárez Vega

Sección de Neurorradiología - SENR

Suscríbete

Comités

Áreas de conocimiento

Radiología Pediátrica
Radiología Musculoesquelética
Radiología Intervencionista
Radiología de Urgencias
Radiología de la Mama
Radiología de Abdomen
Radiología Cardiotorácica
Neurorradiología
Gestión y Calidad en Radiodiagnóstico
Formación en Radiodiagnóstico
Área de Ultrasonidos

Sociedades participantes

SEUS
SERVEI
SERPE
SERME
SERAU
SENR
SEICAT
SEGECA
SEDIM
SEDIA
FORA

Comité editorial