El hepatoblastoma es el tumor hepático maligno más frecuente en la infancia si bien su incidencia es baja. Se han descrito hasta nueve subtipos histológicos y la identificación de algunos  de estos subtipos tumorales puede ayudar a orientar la toma de decisiones terapéuticas. Actualmente existen algunas herramientas de radiómica que han demostrado potencial para identificar subtipos tumorales distintos mediante análisis de imágenes sin necesidad de realizar biopsia. Pero para poder realizar un análisis radiómico es necesario la segmentación previa del hígado. Actualmente no existen herramientas automatizadas de segmentación hepática específicas para pediatría, ni hay evidencia empírica sobre si los modelos entrenados con adultos funcionan adecuadamente en niños. De manera que el objetivo de los autores en este trabajo es evaluar si los modelos de segmentación usados en adultos son útiles en pediatría.

Para ello los autores desarrollan un estudio en el que evalúan dos modelos de deep learning (DL) para la segmentación hepática en imágenes de TC con contraste y RM con secuencias potenciadas en T2, a partir de niños incluidos en un ensayo clínico multicéntrico oncológico. Estos modelos se compararon con la segmentación manual realizada por radiólogos pediátricos.

Los resultados obtenidos muestran que los modelos de DL pediátricos presentaban una alta concordancia con la segmentación manual. Sin embargo, el modelo entrenado en adultos tuvo un rendimiento claramente inferior. Esto demuestra que los modelos entrenados en adultos no generalizan adecuadamente a pacientes pediátricos, probablemente debido a diferencias anatómicas, tamaño corporal, características tumorales y heterogeneidad del hepatoblastoma infantil.

PUNTOS FUERTES:

• Destacamos la metodología sólido y un enfoque clínico relevante, abordando una necesidad real en radiología pediátrica: la falta de modelos de IA específicos para niños. Su principal aporte es demostrar que los modelos entrenados en adultos no son suficientes para hepatoblastoma pediátrico, y que modelos específicos alcanzan un rendimiento cercano al humano.

PUNTOS DÉBILES:

• Presenta una cohorte limitada, que si bien es grande para hepatoblastoma, para estudios de IA no deja de ser pequeña, ya que los modelos de deep learning requieren de una muestra amplia para dar mayor robustez.
• Falta de validación externa independiente.
• Aunque no es el objetivo principal del estudio no se evalúa la utilidad clínica real de estas herramientas de IA.

Dra. Rocío Rodríguez Ortega

Sección de Radiología  Pediátrica (SERPE)