La inteligencia artificial (IA) está desempeñando un papel fundamental en la revolución de la radiología pediátrica, ofreciendo una herramienta eficaz para predecir con precisión la edad de maduración de la mielina en imágenes de resonancia magnética cerebral, según un artículo publicado en Radiology.
La maduración saludable de la mielina es esencial para el desarrollo cerebral adecuado en la infancia
El equipo liderado por la Dra. Tugba Akinci D’Antonoli, del Hospital Infantil Universitario de Basilea, Suiza, ha desarrollado un modelo de aprendizaje profundo que ayuda a los radiólogos a predecir con precisión la edad de maduración de la mielina en la infancia, lo que podría reducir significativamente el tiempo necesario para realizar esta tarea crucial.
“Es crucial evaluar el desarrollo de la mielina para detectar y tratar trastornos del desarrollo de manera oportuna“, destacó el grupo de investigación.
La mielina es una vaina que se forma alrededor de los nervios, incluidos los del cerebro y la médula espinal. Su maduración comienza antes del nacimiento y continúa hasta que el niño tiene aproximadamente tres años.
La evaluación de la maduración de la mielina por parte de los radiólogos pediátricos implica seguir hitos apropiados para la edad y comparar imágenes de resonancia magnética cerebral con “plantillas” normales.
Sin embargo, esta tarea es complicada y requiere años de experiencia, según señalan los autores.
Aquí es donde la inteligencia artificial puede marcar la diferencia.
“Automatizar y objetivar la evaluación de la maduración de la mielina podría respaldar y acelerar el proceso de toma de decisiones clínicas”, afirmaron.
En el estudio, los investigadores desarrollaron tres modelos de redes neuronales convolucionales (2D, 3D y 2D más 3D) que entrenaron y validaron con datos de 833 niños entre cero y tres años para predecir la edad de maduración de la mielina según las evaluaciones de los radiólogos.
La efectividad de los modelos se evaluó utilizando datos internos y de dos conjuntos externos, incluida la base de datos de resonancia magnética cerebral pediátrica del Instituto Nacional de Salud y la base de datos del Proyecto del Conectoma Humano.
Los modelos se evaluaron mediante el error absoluto medio (MAE) y coeficientes de correlación de Pearson.
Los resultados revelaron que los tres modelos tuvieron un rendimiento comparable para estimar la edad de la mielina.
Además, demostraron una buena concordancia con las evaluaciones de los radiólogos en las pruebas de validación cruzada, pruebas internas y el conjunto de pruebas externas del NIH.
Sorprendentemente, el modelo 2D más 3D superó a un modelo previamente desarrollado con un MAE de 2.09, según los investigadores.
Deep Learning vs Radiólogos
No solo demuestra promesa en la evaluación de la maduración de la mielina, sino que el algoritmo de aprendizaje profundo también podría mitigar las diferencias de interpretación entre los radiólogos, sugiere el equipo de investigación.
“Nuestro estudio sugiere que un algoritmo de aprendizaje profundo puede ser útil para predecir el desarrollo normal específico de la edad de la mielina basándose en imágenes de resonancia magnética cerebral.
Este enfoque podría superar las variabilidades intra e interobservador, al tiempo que ayuda en el proceso de toma de decisiones clínicas. En pasos posteriores, el mismo método podría utilizarse para identificar a pacientes con retraso en el desarrollo y prever resultados”, concluyeron los investigadores.
Caso de estudio
Imágenes de resonancia magnética axial con ponderación en T1 y T2 (T1w y T2w, respectivamente) en lactantes y niños pequeños con maduración normal de la mielina a nivel del cuerpo calloso y los ventrículos laterales.
Se destaca que las imágenes se redimensionan para centrarse únicamente en la progresión de la maduración de la mielina en diferentes meses.
(A) Imágenes de un recién nacido a término con síndrome de aspiración de meconio, que se sometió a imágenes para descartar isquemia, infarto o hemorragia.
(B) Imágenes de un lactante de 6 meses con antecedentes de asfixia y trombosis de la vena sinusal al nacer, pero con desarrollo normal.
(C) Imágenes de un lactante de 12 meses con un hemangioma ocular, que se sometió a imágenes para descartar una condición patológica intracraneal.
(D) Imágenes de un niño de 24 meses con dolor de cabeza durante 2 meses.
(E) Imágenes de un niño de 36 meses con antecedentes de convulsiones focales; se realizaron imágenes para descartar cambios estructurales. Todos los derecho de la imagen a su autor, enlace a la fuente abajo.
Los 5 puntos claves de este artículo
Avance en la Evaluación de la Mielina con Inteligencia Artificial: El artículo destaca el uso de modelos de aprendizaje profundo para predecir con precisión la maduración de la mielina en resonancias magnéticas cerebrales, lo cual podría representar un avance significativo en la evaluación de la salud cerebral en niños.
Importancia de la Mielina en el Desarrollo Cerebral Infantil: Se resalta la relevancia de la mielina en el desarrollo cerebral saludable de los niños.
La capacidad de la inteligencia artificial para evaluar este proceso podría permitir a los profesionales de la salud intervenir rápidamente en casos de posibles condiciones neurológicas en la infancia.
Automatización y Objetividad en la Evaluación: El artículo subraya la necesidad de automatizar y objetivar la evaluación de la maduración de la mielina, ya que la tarea actualmente realizada por radiólogos pediátricos requiere años de experiencia.
La inteligencia artificial podría agilizar este proceso clínico y reducir la variabilidad en las interpretaciones.
Desarrollo de Modelos de Redes Neuronales: El estudio describe el desarrollo de tres modelos de redes neuronales convolucionales (2D, 3D y 2D más 3D) entrenados con datos de niños entre cero y tres años.
Estos modelos demostraron un rendimiento comparable en la estimación de la edad de la mielina, destacando la versatilidad de enfoques 2D y 3D.
Validación y Comparación con Modelos Previos: Los resultados del estudio incluyen la validación de los modelos en conjuntos de datos internos y externos, mostrando una buena concordancia con las evaluaciones de los radiólogos.
Además, se destaca que el modelo 2D más 3D superó a un modelo previamente desarrollado, sugiriendo mejoras significativas en la precisión de la predicción de la maduración de la mielina mediante la inteligencia artificial.
Para conocer más sobre esta investigación recomendamos visitar Radiology y acceder al artículo completo.
0 comentarios