IA ayuda a radiólogos a detectar y predecir diabetes tipo 2 en TC abdominales

Un estudio que utilizó aprendizaje profundo completamente automatizado para investigar a pacientes que previamente se sometieron a exámenes de detección de cáncer colorrectal mediante colonografía por TC, descubrió que los biomarcadores de TC podrían ayudar a diagnosticar etapas tempranas de la diabetes tipo 2 y permitir a los pacientes realizar cambios en el estilo de vida para alterar el curso de esta enfermedad crónica.

En el estudio, los investigadores de la Escuela de Medicina de Rutgers New Jersey (Newark, NJ, EUA) usaron escaneos de 8.992 pacientes, incluidos 572 que tenían diabetes tipo 2 y 1.880 que tenían problemas con azúcar en sangre inestable. Utilizaron un método de aprendizaje profundo completamente automatizado para segmentar el páncreas y generar mediciones para varios biomarcadores pancreáticos. También se incluyeron algunos biomarcadores extrapancreáticos como la grasa visceral y la placa aterosclerótica. Luego separaron a los sujetos en grupos según el tiempo entre el diagnóstico de diabetes tipo 2 y la fecha en que se tomaron las tomografías computarizadas. Los investigadores realizaron análisis univariables y multivariables de las mediciones. Incluyeron varios factores clínicos y derivados de la TC, como el sexo, la edad, el índice de masa corporal (IMC) y el IMC superior a 30 de los pacientes, y determinaron el mejor conjunto de predictores de diabetes tipo 2 mediante regresiones logísticas multinomiales.

Los resultados mostraron que los pacientes con diabetes tipo 2 tenían, en promedio, valores más bajos de atenuación de TC de páncreas, músculo e hígado, lo que indica mayores cantidades de grasa intraorgánica en comparación con los no diabéticos. Los mejores predictores de diabetes tipo 2 incluyeron la desviación estándar de la atenuación de la TC del páncreas, la dimensión fractal del páncreas, el volumen de grasa visceral, la gravedad de la placa aórtica abdominal y el IMC superior a 30. Los investigadores reconocieron las limitaciones del uso retrospectivo del conjunto de datos como así como la dificultad de realizar la segmentación del páncreas, pero señalaron que el modelo de aprendizaje profundo tenía un coeficiente de similitud de Dice promedio de 0,69 en casos de prueba seleccionados, lo que se considera un rendimiento de vanguardia para la segmentación del páncreas en TC sin contraste. El rendimiento del modelo alentó al equipo, ya que el modelo multivariante final mostró áreas bajo la curva (AUC) por pares que oscilaban entre 0,79 y 0,92 entre diabéticos y no diabéticos.

“En el campo del análisis de imágenes médicas, existe la necesidad de mejorar el análisis automatizado del páncreas y su aplicación a problemas clínicos. Este estudio fue un paso hacia el uso más amplio de métodos automatizados para abordar los desafíos clínicos”, dijo Hima Tallam, estudiante de primer año de MD/PhD en la Escuela de Medicina de Rutgers New Jersey.

“El trabajo anterior ha demostrado que los pacientes con diabetes tienden a acumular más grasa visceral e intrapancreática que los no diabéticos, pero no se ha realizado ningún trabajo significativo utilizando métodos automatizados en un conjunto de datos de esta magnitud”, dijo Tallam. “El análisis multivariable en este estudio, que utiliza características tanto pancreáticas como extrapancreáticas, es un enfoque novedoso y no se ha mostrado en trabajos anteriores hasta donde sabemos. Nos entusiasmó ver que el modelo multivariable con solo factores derivados de la TC y algunos factores clínicos logró altas AUC sin marcadores séricos como la glucosa y la hemoglobina”.

"En última instancia, esperamos que los biomarcadores de TC investigados en este trabajo puedan informar el diagnóstico oportunista de las primeras etapas de la diabetes tipo 2 y permita que los pacientes realicen cambios en el estilo de vida para alterar el curso de esta enfermedad crónica", agregó.

Enlaces relacionados:
Escuela de Medicina de Rutgers New Jersey

Visitar la expo >

Digital Intelligent Ferromagnetic Detector

Digital Ferromagnetic Detector

Miembro Plata

X-Ray QA Meter

T3 AD Pro

Portable X-ray Unit

AJEX140H

Ultra-Flat DR Detector

meX+1717SCC