Usando un modelo de aprendizaje profundo, los investigadores pudieron identificar signos tempranos de diabetes tipo 2 en tomografías computarizadas abdominales.
Los resultados mostraron que los pacientes con diabetes tenían una menor densidad del páncreas y mayores cantidades de grasa visceral que los pacientes sin diabetes.
Un diagnóstico más temprano permitirá a los pacientes realizar cambios en el estilo de vida para alterar la progresión de la enfermedad.
OAK BROOK, Ill. — Utilizando un modelo de aprendizaje profundo de inteligencia artificial (IA) completamente automatizado, los investigadores pudieron identificar signos tempranos de diabetes tipo 2 en tomografías computarizadas abdominales, según un nuevo estudio publicado en la revista Radiology.
La diabetes tipo 2 afecta aproximadamente al 13 % de todos los adultos de EE.UU. y un 34,5 % adicional de los adultos cumplen los criterios de prediabetes. Debido a la aparición lenta de los síntomas, es importante diagnosticar la enfermedad en sus primeras etapas. Algunos casos de prediabetes pueden durar hasta 8 años y un diagnóstico más temprano permitirá a los pacientes realizar cambios en el estilo de vida para alterar la progresión de la enfermedad.
La tomografía computarizada abdominal puede ser una herramienta prometedora para diagnosticar la diabetes tipo 2. La tomografía computarizada ya se usa ampliamente en la práctica clínica y puede proporcionar una cantidad significativa de información sobre el páncreas. Estudios previos han demostrado que los pacientes con diabetes tienden a acumular más grasa visceral y grasa dentro del páncreas que los pacientes no diabéticos. Sin embargo, no se ha hecho mucho trabajo para estudiar el hígado, los músculos y los vasos sanguíneos alrededor del páncreas, dijo el coautor principal del estudio, Ronald M. Summers, MD, Ph.D., investigador principal y radiólogo del personal de los Institutos Nacionales de la Salud. Centro Clínico en Bethesda, Maryland.
“El análisis de las características pancreáticas y extrapancreáticas es un enfoque novedoso y no se ha mostrado en trabajos anteriores hasta donde sabemos”, dijo el primer autor Hima Tallam, BSE, MD/Ph.D. estudiante.
El análisis manual de imágenes de TC pancreáticas sin contraste de dosis baja por parte de un radiólogo o un especialista capacitado es un proceso difícil y que requiere mucho tiempo. Para abordar estos desafíos clínicos, existe la necesidad de mejorar el análisis automatizado de imágenes del páncreas, dijeron los autores.
Para este estudio retrospectivo, el Dr. Summers y sus colegas, en estrecha colaboración con el coautor principal Perry J. Pickhardt, MD, profesor de radiología en la Facultad de Medicina y Salud Pública de la Universidad de Wisconsin, utilizaron un conjunto de datos de pacientes que se habían sometido a detección de cáncer colorrectal con TC en el Hospital y Clínicas de la Universidad de Wisconsin. De los 8992 pacientes que se habían examinado entre 2004 y 2016, 572 habían sido diagnosticados con diabetes tipo 2 y 1880 con disglucemia, un término que se refiere a los niveles de azúcar en la sangre que bajan o suben demasiado. No hubo superposición entre el diagnóstico de diabetes y disglucemia.
Para construir el modelo de aprendizaje profundo, los investigadores utilizaron un total de 471 imágenes obtenidas de una variedad de conjuntos de datos, incluido el Medical Data Decathlon, The Cancer Imaging Archive y el desafío Beyond Cranial Vault. Luego, las 471 imágenes se dividieron en tres subconjuntos: 424 para entrenamiento, 8 para validación y 39 para conjuntos de prueba. Los investigadores también incluyeron datos de cuatro rondas de aprendizaje activo.
El modelo de aprendizaje profundo mostró excelentes resultados, demostrando prácticamente ninguna diferencia en comparación con el análisis manual. Además de las diversas características pancreáticas, el modelo también analizó la grasa visceral, la densidad y los volúmenes de los músculos y órganos abdominales circundantes.
Los resultados mostraron que los pacientes con diabetes tenían una menor densidad del páncreas y mayores cantidades de grasa visceral que los pacientes sin diabetes.
“Encontramos que la diabetes estaba asociada con la cantidad de grasa dentro del páncreas y dentro del abdomen de los pacientes”, dijo el Dr. Summers. “Mientras más grasa había en esos dos lugares, más probable era que los pacientes tuvieran diabetes durante un período de tiempo más prolongado”.
Los mejores predictores de diabetes tipo 2 en el modelo final incluyeron el porcentaje de grasa intrapancreática, la dimensión fractal del páncreas, la gravedad de la placa entre el nivel de las vértebras L1-L4, la atenuación promedio de la TC del hígado y el IMC. El modelo de aprendizaje profundo usó estos predictores para discernir con precisión a los pacientes con y sin diabetes.
“Este estudio es un paso hacia el uso más amplio de métodos automatizados para abordar los desafíos clínicos”, dijeron los autores. “También puede informar trabajos futuros que investiguen el motivo de los cambios pancreáticos que ocurren en pacientes con diabetes”.
