Por primera vez la Inteligencia Artifical es usada en cirugía

Con el fin de determinar la viabilidad de trasplantes hepáticos diseñan un proceso de aprendizaje computacional y uso continuado de la inteligencia artificial (IA).

En su paper "Cuantificación de aprendizaje profundo del porcentaje de esteatosis en secciones congeladas de biopsia de hígado de donante" [1], L. Sun et al. proponen un nuevo método para cuantificar la macrosteatosis del injerto (EM) durante la obtención del hígado para injertar. Su tecnología se basa en aprendizaje de la red neuronal convolucional que genera un mapa de probabilidad de esteatosis a partir de una imagen de diapositiva completa de entrada de una sección congelada teñida con hematoxilina y eosina, y posteriormente calcula el porcentaje de esteatosis.

El aprendizaje se realizó en un conjunto de entrenamiento y luego se aplicó en un segundo conjunto de prueba de entrada. Los modelos de aprendizaje profundo fueron superiores a las estimaciones de los patólogos en servicio en el momento de la evaluación inicial y se correlacionaron bien con las cuantificaciones patológicas definitivas.

Este estudio responde a una necesidad real, ya que todo cirujano hepático sabe que la EM es un factor de predicción importante de la disfunción temprana del injerto y que la evaluación macroscópica se correlaciona mal con el contenido de la EM. Este trabajo representa un avance en el campo del trasplante de hígado, ya que, hasta ahora, nos enfrentábamos a una paradoja: la evaluación patológica todavía se considera la forma estándar de oro para evaluar el contenido de EM de los injertos, mientras que se ha informado muchas veces que se congela. El análisis de sección no era confiable ya que había una gran variabilidad entre operadores e intraoperadores. Por estas razones, realmente se requería una herramienta reproducible y precisa para la cuantificación de la EM. Además, ya se encuentran disponibles muchos software que realizan cálculos automáticos del contenido de EM, pero ninguno (o casi ninguno) permite tal estimación a partir de portaobjetos congelados, lo que limita su utilidad clínica.

El presente trabajo representa claramente un avance significativo para la aceptación clínica y el uso diario de este equipo. La solución propuesta por L. Sun et al. es un ejemplo concreto y práctico de colaboración multidisciplinar (clínicos, informáticos, bioestadísticos, matemáticos) para mejorar el desempeño sanitario sin necesidad de modificaciones importantes en la organización logística actual de las adquisiciones. Este proceso automático proporciona mejores resultados que los análisis en humanos realizados en muestras de secciones congeladas y podría conducir a mejorar los resultados del trasplante de hígado, evitando el descarte innecesario de órganos o la aceptación de injertos esteatóticos.

El enfoque específico en la EM proporcionado por su técnica representa definitivamente un activo importante para la decisión clínica, ya que existe un consenso global hacia un mayor impacto de la EM que la microsteatosis. Además, en un futuro cercano, esta aplicación de aprendizaje profundo podría alojarse en línea, con la evaluación realizada a través de la computación en la nube: el usuario cargaría la diapositiva, ejecutaría la evaluación y recibiría la cuantificación de MS en unos pocos minutos. Esto podría permitir una amplia difusión de la técnica, independientemente del nivel local de experiencia y recursos humanos. Además del uso actual propuesto, la cuantificación de la EM de aprendizaje profundo podría utilizarse ventajosamente repetidamente durante las terapias de desgrasado de órganos infundidos con máquinas altamente esteatóticos.

Sorprendentemente, las nuevas tecnologías digitales están cada vez más presentes en nuestro día a día, pero todavía no han impregnado tanto el área médica, y sobre todo el proceso de toma de decisiones. Las expectativas excesivas de la IA llevaron a la decepción y la desilusión entre profesionales de la medicina. Recientemente se han informado algunas experiencias exitosas que combinan la IA y la toma de decisiones clínicas y, obviamente, el diagnóstico automatizado de imágenes médicas es el dominio más exitoso de las aplicaciones de la IA, así como la dermatología, la oftalmología y la interpretación del genoma.

El uso de la IA para la planificación preoperatoria y la guía intraoperatoria, asociado con su integración en robots quirúrgicos, probablemente aumentará la aceptación por parte del cirujano de estas nuevas tecnologías. Sin embargo, ahora, más que nunca, la tecnología, incluso completamente automática y totalmente robusta, coloca al médico en el centro del proceso de toma de decisiones. Proporciona una solución largamente esperada a los problemas humanos (reproducibilidad y disponibilidad de patólogos en medio de la noche) y problemas técnicos (artefacto en caso de análisis extemporáneo), pero no puede ni debe borrar a los humanos (¿humanismo?) Del tablero de ajedrez. La decisión final debe seguir siendo multifactorial e integrar un conjunto de factores aún imposibles de modelar.

Finalmente, la IA permite a los médicos tener una inteligencia aumentada, superior a una decisión humana empírica (o incluso basada en la evidencia). Este cambio en la forma de abordar los problemas médicos y de proponer soluciones deberá necesariamente ser evaluado rigurosamente para asegurar que aporta un claro valor añadido, alcanzando los beneficios clínicos, económicos y / o educativos esperados. Esta evaluación, así como la validación externa de estos resultados preliminares, se esperan ansiosamente de L. Sun et al. . La comparación del rendimiento con técnicas de cuantificación automática de EM ya bien establecidas también sería beneficiosa para promover el uso de la evaluación del aprendizaje profundo [2].

Lea el resumen y estudio completo en EBioMedicine.

[1] Sun L. Marsh J. Matlock M. Chen L. Gaut J.P. Brunt E.M. et al. "Deep learning quantification of percent steatosis in donor liver biopsy frozen sections". EBioMedicine. 2020;

[2] Le Naour F Gadea L Danulot M Yousef I Vibert E Wavelet M et al. Quantitative assessment of liver steatosis on tissue section using infrared spectroscopy. Gastroenterology. 2015; 148: 295-297

Imagen de cabecera: aighospitals.com.

Artículos relacionados:
– Enfermedades hepáticas y trasplantes de hígado.
– Trasplantes para la vida (audio).

Fuente: THP