Clasificación de los desgarros del manguito rotador en ecografía empleando modelos de aprendizaje profundo.
Artículo original: Ho TT, Kim GT, Kim T, Choi S, Park EK. Classification of rotator cuff tears in ultrasound images using deep learning models. Med Biol Eng Comput. 2022;60(5):1269-1278.
DOI: https://doi.org/10.1007/s11517-022-02502-6
Sociedad: International Federation for Medical and Biological Engineering.
Palabras clave: Rotator cuff tears, Deep learning, convolutional neural network, ultrasound, transfer learning.
Línea editorial del número: Este número de la revista Medical & Biological Engineering & Computing (MBEC) refleja su enfoque interdisciplinario en la convergencia de la ingeniería, la computación y las ciencias biomédicas, destacando investigaciones innovadoras que integran tecnologías avanzadas para resolver problemas clínicos. La línea editorial prioriza estudios con aplicaciones prácticas en diagnóstico, tratamiento y seguimiento médico, especialmente aquellos que emplean inteligencia artificial, procesamiento de señales e imágenes, y modelado computacional. La revista enfatiza la validación metodológica, la reproducibilidad y la transferibilidad de los resultados a entornos sanitarios reales, promoviendo así la traducción de la ingeniería a la práctica médica.
Motivo para la selección: El artículo aborda una patología común (desgarros del manguito rotador) que se evalúa rutinariamente con ultrasonido. Refuerza el valor de la ecografía en el diagnóstico de esta patología, a menudo subestimado frente a la RM, destacando su coste-efectividad, accesibilidad y seguridad. Además, muestra cómo la inteligencia artificial puede mejorar la precisión diagnóstica ofreciendo un "segundo par de ojos" para reducir errores humanos, especialmente en casos ambiguos. El artículo introduce conceptos de IA de manera accesible, animando a los ecografistas a explorar cómo estas herramientas pueden complementar su conocimiento y anticipa la integración inevitable de algoritmos en equipos de ultrasonido, incentivando a los profesionales a familiarizarse con estas tecnologías.
Resumen:
Los desgarros del manguito rotador (rotator cuff tears, RCT) son una de las lesiones de hombro más comunes, especialmente en personas de mediana y avanzada edad. Su diagnóstico temprano es crucial para prevenir complicaciones. La ecografía es una alternativa segura, económica y accesible a la realización de RM para la valoración por imagen de esta patología, aunque su interpretación depende en gran medida de la experiencia del profesional que la hace y del profesional que la interpreta. Este estudio propone el uso de redes neuronales convolucionales (convolutional neural networks, CNN) para clasificar automáticamente RCT en imágenes de ultrasonido, mejorando la precisión y accesibilidad del diagnóstico.
El estudio utilizó 194 imágenes de ultrasonido de 103 pacientes (72 con RCT y 31 sin RCT), obtenidas con un equipo ALOKA Ultrasound Alpha 7 en el Hospital Universitario Gospel de Kosin (Corea del Sur). Las imágenes se preprocesaron redimensionándolas a 224x224 píxeles y normalizando los valores de píxeles entre 0 y 1. Se emplearon cinco modelos CNN preentrenados (VGG19, InceptionV3, Xception, ResNet50 y DenseNet121) mediante transfer learning, ajustando sus hiperparámetros con optimización bayesiana para mejorar el rendimiento. El modelo final consistió en una capa convolucional para extracción de características y un clasificador binario (RCT vs. no RCT). La validación se realizó mediante cinco iteraciones de entrenamiento y prueba (cross-validation), y se evaluó el rendimiento con métricas como precisión, sensibilidad, especificidad y el área bajo la curva ROC.
Entre los modelos evaluados, DenseNet121 mostró el mejor rendimiento con una precisión de 88.2% sensibilidad 93.8% y especificidad 83.6% El modelo Xception tuvo la mayor sensibilidad (98.6%) y especificidad (90.8%), pero DenseNet121 fue el más equilibrado en general. El tiempo de entrenamiento varió entre 2419 y 4791 segundos, siendo InceptionV3 el más rápido.
Se confirmó que las áreas destacadas por el modelo coincidían con las identificadas por médicos especialistas, lo que validó la capacidad del algoritmo para localizar desgarros en las ecografías.
El estudio demuestra que el aprendizaje profundo puede clasificar las RCT con una precisión comparable a métodos más costosos como la resonancia magnética. Las principales ventajas incluyen rapidez (diagnóstico en 3 segundos por imagen) y simplicidad (no requiere segmentación manual).
Sin embargo, el estudio tiene algunas limitaciones. Por ejemplo, solo se incluyeron imágenes procedentes de un único centro médico. Además la muestra obtenida incluyó más pacientes con RCT que sin ellos, lo que podría afectar al equilibrio del modelo.
En conclusión, este trabajo valida el uso de CNN para clasificar RCT en ecografía, siendo una herramienta accesible y eficiente para clínicos, especialmente en entornos con recursos limitados. Investigaciones futuras podrían mejorar el modelo ampliando el conjunto de datos, incorporando más modalidades de imagen o clasificando grados de severidad de los desgarros.
Valoración personal: el empleo de estos algoritmos en la práctica clínica diaria de los ecografistas proporciona una segunda opinión en tiempo real en casos dudosos y reduce la dependencia de otros métodos más “eficaces” y, sin duda, costosos, como la RM. Al menos para el diagnóstico de cribado inicial. Este estudio abre el camino para la integración de la IA en el diagnóstico ecográfico de la RCT, combinando precisión, velocidad y transparencia en la toma de decisiones clínicas.
Javier Álvarez González
TSID, Hospital General Universitario Gregorio Marañón (Madrid)
j.alvarezglez.prof@gmail.com