martes 27 septiembre, 2022
banner agfa

IA puede mejorar el diagnóstico de la diabetes

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.

Figura 1
Figura 1. Diagramas de flujo de estándares para informar la precisión del diagnóstico. (A) El gráfico muestra el flujo de pacientes en el desarrollo del modelo de aprendizaje profundo. La institución 1 es el Hospital y Clínicas de la Universidad de Wisconsin y la institución 2 es el Centro Médico Naval Nacional. (B) El gráfico muestra el flujo de pacientes en el estudio clínico. CTC = Colonografía por TC, DICOM = Imágenes digitales y comunicaciones en medicina.

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.

Figura 2
Figura 2. Segmentaciones del páncreas en pacientes de cada uno de los cinco grupos de grasa visceral. El rendimiento de la segmentación es mejor para los pacientes con mayor cantidad de grasa visceral (siendo el grupo 5 el más alto). Los porcentajes de grasa visceral en el nivel L1 para los pacientes específicos que se muestran aquí fueron 9,81 % en el grupo 1, 13,72 % en el grupo 2, 20,19 % en el grupo 3, 27,88 % en el grupo 4 y 32,42 % en el grupo 5; Los coeficientes de similitud de los dados fueron 0,36, 0,62, 0,78, 0,81 y 0,86, respectivamente. En las imágenes de segmentación automatizada, el área verde indica segmentación completa y el área amarilla indica segmentación después de la erosión. Obs. = observador.

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.

Figura 3
Figura 3. Mediciones automáticas y manuales de 25 pacientes seleccionados al azar que se sometieron a una colonografía por TC en decúbito supino. (A, B) Comparación de la atenuación promedio de CT en unidades Hounsfield con (A) regresión lineal y (B) gráficos de Bland-Altman (r2 = 0,99, P < 0,001; límites de concordancia del 95% de Bland-Altman: 23,49 a 2,55 HU ). (C, D) Comparación del volumen del páncreas en mililitros con (C) regresión lineal y (D) gráficos de Bland-Altman (r2 = 0,91, P < 0,001; límites de concordancia del 95 % de Bland-Altman: 211,18 a 13,60 ml).

«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.

Figura 4
Figura 4. (A, B) Los gráficos de barras muestran las unidades de páncreas promedio de Hounsfield en pacientes con (A) diabetes mellitus tipo 2 y (B) disglucemia en comparación con participantes sin diabetes. (C, D) Los gráficos de barras muestran las unidades de páncreas promedio de Hounsfield después de controlar el índice de masa corporal en pacientes con (C) diabetes tipo 2 y (D) disglucemia en comparación con participantes sin diabetes. Las barras de error muestran IC del 95 %. Los números entre paréntesis son los tiempos entre el diagnóstico (Dx) y la imagen.

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.

Figura 5
Figure 5. Examples of pancreas segmentations on unenhanced axial abdominal CT images in healthy participants and patients with type 2 diabetes mellitus. Images on left are original CT images, and images on right show segmentations overlaid on the original CT images. (A) Images in a nondiabetic 61-year-old man with average pancreas CT attenuation of 35.50 HU ± 47.96 and pancreatic volume of 97.6 mL. (B) Images in a 59-year-old man with type 2 diabetes who was diagnosed 144 days before CT. Average pancreas CT attenuation was 20.66 HU ± 81.99 and pancreatic volume was 77.10 mL. (C) Images in a 67-year-old man with type 2 diabetes who was diagnosed 595 days after CT. Average pancreas CT attenuation was 18.46 HU ± 48.30 and pancreatic volume was 72.88 mL. The green area indicates full segmentation and the yellow area indicates segmentation after erosion.

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».

Artículos relacionados

Tomonorte optimiza su flujo de trabajo radiológico y adquiere equipamiento asegurando el camino hacia la precisión diagnóstica.

Tomonorte es una institución de salud dedicada al diagnóstico por imágenes radiológicas con trayectoria de 34 años, pioneros en el norte del Perú con...

Medios de Contraste

Dr. José Alberto Briceño Polacre, Médico radiólogo, doctor en ciencias médicas, past president de la Sociedad Venezolana de Radiología, Profesor del Colegio Interamericano de...

Entrevista al Dr. Alejandro Tempra

Dialogamos con el Dr. Alejandro Tempra, presidente del próximo Congreso CADI , presidente electo de FAARDIT y exitoso radiólogo, socio fundador de Imagen Diagnóstica...

Carestream en la JPR 2022

En el stand de Carestream nos recibieron Miguel Nieto, presidente de Carestream Health Latinoamérica e Irineu Monteiro, General Manager y Country Business Manager para...

Seguinos

2,319FansMe gusta
1,306SeguidoresSeguir

MÁS LEIDOS