Revista virtual de Radiología

FORA

American Journal of Roentgenology
Salka BR, Shankar PR, Troost JP, Khalatbari S, and Davenport MS Effect of Prostate MRI Interpretation Experience on PPV. AJR 2022; 219:453–461

Effect of Prostate MRI Interpretation Experience on PPV

SERAM - American Journal of Roentgenology
Autor/es: Salka BR, Shankar PR, Troost JP, Khalatbari S, and Davenport MS

La escala PIRADS permite estandarizar la interpretación de los estudios de RM de próstata. La adquisición de competencia para determinar la escala PIRADS se relaciona con la experiencia con un numero suficiente de estudios. En este sentido, este estudio tiene como objetivo determinar la experiencia mínima para conseguir competencia suficiente en la determinación de los grados 3,4 y 5 de la escala PIRADS

La metodología se basa en el análisis de 200 estudios de RM de próstata por un grupo de 8 radiólogos. En todos los casos se disponía también del resultado de la biopsia realizado por ecografía con fusión con la RM.

El resultado principal es que los resultados mejoraron después de la lectura de 50 estudios. El aprendizaje mejora cuando había correlación histopatológica de los casos de RM.

PUNTOS FUERTES:

  • En la formación radiológica es útil la determinación de los criterios para garantizar la capacitación en las diferentes exploraciones radiológicas. En este sentido, se demuestra que el aprendizaje práctico con más de 50 estudios de RM próstata permite conseguir la capacitación suficiente para determinar la escala PIRADS.

PUNTOS DEBILES:

  • Es un estudio retrospectivo y en un único centro lo que limita la generalización de los resultados del estudio.

 

Dr. Salvador Pedraza

Sección de Formación en Radiodiagnóstico - FORA

Japanese Journal of Radiology
Ohya A, Fujinaga Y. Magnetic resonance imaging findings of cystic ovarian tumors: major diferential diagnoses in five types frequently encountered in daily clinical practice. Japanese Journal of Radiology. Jpn J Radiol (2022)

Magnetic resonance imaging findings of cystic ovarian tumors: major diferential diagnoses in five types frequently encountered in daily clinical practice

SERAM - revista Japonesa de Radiologia
Autor/es: Ohya A, Fujinaga Y

Artículo educacional que repasa el diagnóstico diferencial por Resonancia Magnética (RM) de los tumores ováricos de aspecto quístico más frecuentes de nuestra práctica diaria. Estas lesiones constituyen un reto radiológico, ya que tienen una apariencia similar. No obstante, algunas de estos tumores pueden ser diagnosticados por sus características radiológicas por RM, sus cambios morfológicos a lo largo del tiempo y los marcadores tumorales.

Diferenciar una lesión ovárica benigna de una maligna es crucial para garantizar el tratamiento adecuado de estos tumores. Por eso, los autores realizan un repaso iconográfico de los tumores quísticos de ovario dividiéndolos en cinco grupos:

  1. Masas quísticas uniloculares sin nódulos murales o componente sólido (cistoadenoma seroso, quistes funcionales, quistes de inclusión epitelial, quistes paratubáricos y endometriosis).
  2. Lesiones ováricas multiloculares (tumores mucinosos y metástasis ováricas).
  3. Lesiones quísticas con nódulos murales no relacionadas con la endometriosis (tumor seroso borderline y carcinoma seroso).
  4. Tumores ováricos secundarios a endometriosis (tumores cero-mucinosos borderline, el carcinoma endometrioide y el carcinoma de células claras).
  5. Lesiones quísticas con grasa, que incluye los tumores relacionados con teratomas.

De cada uno de los tipos explica sus principales características radiológicas y aportan muchas imágenes de gran calidad que sirven como ejemplo.

PUNTOS FUERTES:

  • Es un tema importante. Es un artículo bien escrito y sencillo de leer con unas buenas imágenes.

PUNTOS DÉBILES:

  • Hubiera sido interesante incluir el concepto de O-Rads por RM.

 

 

Dra Cristina García Villar

Sección de Radiología de abdomen - SEDIA

Radiología
Díaz O, Rodríguez-Ruiz A, Gubern-Mérida A, Martí R y Chevalier M Radiología 63 (2021) 236-244

¿Son los sistemas de inteligencia artificial una herramienta útil para los programas de cribado de cáncer de mama?

Logo SERAM Naranja- Web-200
Autor/es: Díaz O, Rodríguez-Ruiz A, Gubern-Mérida A, Martí R y Chevalier M

Artículo muy interesante en el que se realiza un repaso de todos los sistemas de inteligencia artificial con definición exacta de cada uno de ellos y su utilidad en los programas de cribado del cáncer de mama.

Los programas de detección precoz de cáncer de mama han permitido disminuir la mortalidad, mejorar el pronóstico y la calidad de vida de los pacientes. La tomosíntesis y los sistemas de detección asistida o “CAD” (Computer Aided Detection) no han logrado implementarse de forma general debido a ciertas limitaciones.

Posteriormente se han ido implementando sistemas de Inteligencia Artificial (IA) que dotan a las máquinas de habilidades como la capacidad de aprender. En el Aprendizaje Automático o ML (Machine Learning), la máquina aprende de forma automática a partir de experiencias previas. El Aprendizaje Profundo o DL (Deep Learning) es un tipo de ML en el que el algoritmo aprende por sí solo. A su vez, dentro de este grupo se encuentran las Redes Neuronales Convolucionales o CNN (Convolutional Neural Network) que procesan las imágenes imitando a las redes neuronales cerebrales siendo capaces de detectar lesiones y probabilidad de malignidad así como de valorar cambios evolutivos en el tiempo.

También se analiza la aportación de los sistemas de IA a los programas de detección precoz como son:

  • Rendimiento de estos sistemas de IA comparado con los radiólogos.
  • Uso como apoyo a los radiólogos marcando las regiones sospechosas, aumentando el rendimiento diagnóstico, pero no el tiempo de lectura.
  • Uso como lector autónomo o primer lector con capacidad de categorizar las mamografías según su probabilidad de malignidad.
  • Uso conjunto con la tomosíntesis, mostrando automáticamente el corte donde se encuentra el hallazgo o generando una imagen sintetizada en la que se marcan las lesiones sospechosas. También posibilita cuantificar el riesgo de cáncer en función de ciertos parámetros como la densidad mamaria.

 

Dra. Silvia Pérez

Sección de Radiología de mama - SEDIM

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

 

Revista de Imagenología
Zabala-Travers S, Sattler J y Perdomo J Biomodelado e Impresión 3D en Uruguay: una nueva subespecialidad en imagenología. Revista de Imagenología, [S.l.], v. 24, n. 2, p. 21 - 35, oct. 2021.

Biomodelado e Impresión 3D en Uruguay: una nueva subespecialidad en imagenología.

SERAM - revista imagenologia Uruguay
Autor/es: Zabala-Travers S, Sattler J y Perdomo J

El auge de los biomodelos en 3D de los últimos años como piezas fundamentales en el apoyo al diagnóstico y tratamiento de patologías quirúrgicas complejas se aplica en la mayoría de las especialidades médico-quirúrgicas. Estas piezas de ingeniería se basan en imágenes volumétricas de tomografía o resonancia magnética y constituyen un elemento importante en la comunicación médico-paciente, además de en la educación y entrenamiento de los profesionales.

 

PUNTOS FUERTES:

  • Se realiza un amplio repaso sobre los campos de aplicación de estos modelos en las diferentes especialidades médicas.
  • Menta las desventajas derivadas del uso de estos modelos, como son el tiempo que se tarda en obtenerlos o el costo económico que supone un laboratorio de biomodelado e impresión en 3D.
  • Descripción gráfica de modelos reales utilizados por los autores.

 

PUNTOS DÉBILES:

  • Valoran el biomodelado y la impresión en 3D como una nueva subespecialidad que en la actualidad no es factible en la mayoría de centros hospitalarios debido a su alto coste económico.
  • Ausencia de valoración en la necesidad de mejoras técnicas que suplan las limitaciones en la implantación de estos biomodelos, ya que no es aplicable hoy por hoy a todas las lesiones o cirugías con la misma calidad.

 

Dra Sara Lojo Lendoiro - Editora Jefe Revista Virtual SERAM

Sección de Formación - FORA

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