Usando solo una tomografía computarizada de pulmón por inhalación, un modelo de Deep Learning puede diagnosticar y estadificar con precisión la enfermedad pulmonar obstructiva crónica (EPOC), según un estudio publicado hoy en Radiology: Cardiothoracic Imaging, una revista de la RSNA.
La EPOC es un grupo de enfermedades pulmonares progresivas que afectan la capacidad de respirar de la persona. Los síntomas suelen incluir dificultad para respirar y fatiga. Actualmente no existe cura para la EPOC y es la tercera causa de muerte en todo el mundo, según la Organización Mundial de la Salud.
Tradicionalmente, para diagnosticar la EPOC se utiliza una espirometría, también conocida como prueba de función pulmonar. Mide la función pulmonar a través de la cantidad de aire que se puede inhalar y exhalar, así como de la velocidad de exhalación.
Las imágenes por TC de los pulmones pueden ayudar en el diagnóstico de EPOC. El procedimiento generalmente requiere dos adquisiciones de imágenes: una en la inhalación completa, llamada inspiratoria, y otra en la exhalación normal, llamada espiratoria.
“Aunque estudios recientes han demostrado que la estructura pulmonar, medida cuantitativamente mediante TC pulmonar, puede complementar la estadificación, el diagnóstico y el pronóstico de la gravedad de la EPOC, muchos de estos estudios requieren la adquisición de dos imágenes de TC”, dijo el autor del estudio, el Dr. Kyle A. Hasenstab, profesor adjunto de Estadística y Ciencia de Datos en la Universidad Estatal de San Diego, California. “Sin embargo, este tipo de protocolo no es clínicamente estándar en todas las instituciones”.
Algunos hospitales no pueden implementar protocolos de TC espiratoria debido a los requisitos de capacitación adicionales.
“La implementación de protocolos de TC espiratoria puede no ser factible en muchas instituciones debido a la necesidad de capacitación de los tecnólogos para adquirir las imágenes y de capacitación de los radiólogos para interpretarlas”, dijo el Dr. Hasenstab.
Además, algunos pacientes de edad avanzada con deterioro de la función pulmonar tienen dificultades para contener la respiración, como es necesario durante la adquisición de imágenes de exhalación. Esto puede afectar la calidad de las imágenes de TC y la precisión del diagnóstico.
El Dr. Hasenstab y sus colegas plantearon la hipótesis de que una única adquisición de TC de inhalación combinada con una red neuronal convolucional (CNN) y datos clínicos sería suficiente para el diagnóstico y la estadificación de la EPOC. Una CNN es un tipo de red neuronal artificial que utiliza el aprendizaje profundo para analizar y clasificar imágenes.
En este estudio retrospectivo, se adquirieron imágenes de TC pulmonar de inhalación y exhalación y datos de espirometría de 8.893 pacientes desde noviembre de 2007 hasta abril de 2011. La edad promedio de los pacientes incluidos en el estudio fue de 59 años y todos tenían antecedentes de tabaquismo.
La CNN fue entrenada para predecir mediciones de espirometría utilizando datos clínicos y una tomografía computarizada de pulmón monofásica o multifásica.
Las predicciones de la espirometría se utilizaron luego para predecir el estadio de la Iniciativa Global para la Enfermedad Pulmonar Obstructiva (GOLD, por sus siglas en inglés). El sistema GOLD clasifica la gravedad de la EPOC de un paciente en uno de cuatro estadios, uno clasificado como EPOC leve y cuatro clasificados como EPOC muy grave.
Los resultados del estudio mostraron que un modelo CNN desarrollado utilizando solo una imagen de TC de fase respiratoria diagnosticó con precisión la EPOC y también fue preciso dentro de una etapa GOLD.
El modelo funcionó de manera similar a los diagnósticos de EPOC que utilizaron mediciones combinadas de TC de inhalación y exhalación.
“Aunque muchos protocolos de diagnóstico por imágenes para la estadificación y el diagnóstico de la EPOC requieren dos adquisiciones de TC, nuestro estudio demuestra que el diagnóstico y la estadificación de la EPOC son factibles con una única adquisición de TC y datos clínicos relevantes”, afirmó el Dr. Hasenstab.
Cuando se agregaron datos clínicos, las predicciones del modelo CNN fueron aún más precisas.
Los modelos CNN que utilizaron solo datos de inhalación o exhalación respectivamente tuvieron el mismo rendimiento, lo que sugiere que ciertos marcadores utilizados para el diagnóstico de EPOC pueden superponerse en las distintas imágenes.
“La reducción a una única adquisición de TC inspiratoria puede aumentar la accesibilidad a este enfoque diagnóstico y, al mismo tiempo, reducir los costos para el paciente, la incomodidad y la exposición a la radiación ionizante”, afirmó el Dr. Hasenstab.
