Las exploraciones por tomografía por emisión de positrones (PET) se han utilizado ampliamente en la práctica de oncología al ofrecer imágenes funcionales que complementan la información anatómica proporcionada por la tomografía computarizada (CT). La aplicación generalizada de la tecnología PET es limitada en comparación con la tecnología CT, principalmente debido a su mayor costo y complejidad, especialmente en regiones con recursos limitados, como los países de bajos ingresos. Además, las exploraciones por PET contribuyen a una mayor exposición a la radiación de los pacientes, lo que subraya la necesidad de métodos alternativos para adquirir datos de imágenes por PET.
La llegada de la inteligencia artificial generativa (IA) a la visión por computadora ha abierto nuevas posibilidades para generar imágenes PET mediante síntesis de imágenes entre modalidades, donde se puede entrenar un modelo de IA para generar una modalidad de imágenes a partir de otra. Esta técnica, que se basa en capacidades de traducción de imagen a imagen desarrolladas inicialmente para aplicaciones como colorear fotografías en blanco y negro o transformar bocetos en imágenes realistas, ahora se ha extendido a dominios médicos, como la conversión de imágenes por resonancia magnética (MRI) en imágenes de CT. Sin embargo, la mayoría de los estudios se han centrado principalmente en métricas cuantitativas de calidad de imagen sin incorporar evaluaciones realizadas por radiólogos expertos. Además, existe una brecha notable en la validación biológica y clínica de estas imágenes sintetizadas para tareas clínicas relevantes, lo que plantea dudas sobre su utilidad práctica más allá de la precisión estética o numérica. Aún no se ha determinado por completo el verdadero valor clínico de estas imágenes generadas por IA, especialmente en la realización de tareas clínicas relevantes.
En un número anterior de Cell Reports Medicine, Salehjahromi et al. introdujo una red adversarial generativa condicional (cGAN) para sintetizar imágenes PET a partir de tomografías computarizadas de diagnóstico. La fidelidad de las imágenes PET sintéticas se validó a nivel de imagen, biológico y clínico con datos multicéntricos y multimodales. Específicamente, para la validación del nivel de señal de imágenes, más allá de las evaluaciones cuantitativas estándar, radiólogos torácicos experimentados confirmaron la calidad de imagen equivalente de la PET sintetizada y la PET real calificando un conjunto de imágenes PET que contiene un número desconocido de imágenes sintetizadas e identificando las imágenes PET sintetizadas de las reales. El estudio también evaluó la coherencia de métricas clave de PET, como la actividad metabólica del tumor y la glucólisis total de la lesión, mediante análisis radiómicos. Biológicamente, se demostró que las imágenes PET sintéticas representan vías características del cáncer de manera tan consistente como las imágenes PET reales, como se demostró en un estudio de radiogenómica. El proceso de IA se valida aún más mediante una serie de tareas clínicas. Se ha visto que la PET sintética complementa la TC para el diagnóstico de cáncer de nódulos pulmonares indeterminados y la identificación de pacientes de alto riesgo de desarrollar cáncer de pulmón, muestra una precisión similar a la PET real en la estadificación del cáncer y logra una predicción de supervivencia del cáncer estadísticamente significativa en la mayoría de los casos.
Investigaciones anteriores sobre el uso de cGAN para generar imágenes médicas sintéticas se han centrado predominantemente en la conversión entre imágenes de CT y MRI, particularmente para la planificación del tratamiento de radioterapia. En estos casos, la utilidad diagnóstica de las imágenes sintéticas a menudo no es una preocupación principal y, como rara vez, ha sido evaluado.
=> Recibir por Whatsapp las noticias destacadas
Además, la evaluación del valor diagnóstico requiere la participación de expertos clínicos, un requisito que plantea un desafío para los equipos de investigación que tienen una sólida base informática pero que carecen de acceso directo a radiólogos experimentados. Por lo tanto, la contribución distintiva de este estudio es doble: no solo establece la relevancia diagnóstica de las imágenes PET generadas por IA en tareas clínicas específicas, afirmando así su utilidad práctica, sino que también introduce un método ejemplar para evaluar el valor clínico de la IA.
-Técnicas de imagen sintética. En particular, la validación clínica de este estudio implica pruebas de modelos de aprendizaje automático. Por ejemplo, al evaluar la utilidad de las imágenes PET sintéticas para identificar pacientes de alto riesgo y predecir la supervivencia, se aplicaron modelos de aprendizaje automático específicamente entrenados para estas tareas a imágenes PET tanto sintéticas como reales para evaluar su comparabilidad. Si bien cabe señalar que estos modelos de aprendizaje automático aún no se han adoptado clínicamente, su uso ofrece un enfoque alternativo para evaluar imágenes sintéticas para tareas en las que la aportación de expertos humanos no está disponible o está sujeta a una variabilidad significativa.
Aunque la aplicación de la IA en la síntesis de imágenes PET a partir de tomografías computarizadas presenta un avance prometedor en el campo de las imágenes médicas, persisten dudas sobre su idoneidad para la aplicación clínica. En particular, el cGAN utilizado ya ha sido explorado ampliamente en el campo de la visión por computadora. Sin embargo, el reciente ascenso de los modelos de difusión como vanguardia en los modelos generativos profundos, conocidos por sus impresionantes capacidades de generación de imágenes, mayor estabilidad durante el entrenamiento y resiliencia contra problemas comunes como el colapso de modo y la sensibilidad de los hiperparámetros, sugiere un potencial para avances aún mayores. Sería convincente evaluar si los avances atribuidos a los modelos de difusión en visión por computadora podrían revolucionar de manera similar las aplicaciones clínicas del mundo real. Además, como prueba preliminar de concepto, este estudio requiere investigaciones prospectivas más amplias e investigaciones centradas en subtipos de cáncer específicos para validar exhaustivamente el proceso de IA propuesto para uso clínico.
En resumen, el estudio de Wang,et.al.,(Cell Reports Medicine.DOI:https://doi.org/10.1016/j.xcrm.2024.101486) de prueba de concepto revela el potencial clínico prometedor de la PET sintetizada con IA en el diagnóstico, la estadificación, la predicción del riesgo y el pronóstico del cáncer de pulmón. Aunque es esencial una investigación más detallada para la adopción clínica, este modelo de IA representa un avance prometedor hacia la mejora de las prácticas de manejo del cáncer de pulmón.