¿Cómo puede la inteligencia artificial mejorar la evaluación de la grasa corporal a través de imágenes médicas?
La obesidad es un problema de salud global que afecta a millones de personas. Comprender cómo se distribuye la grasa en el cuerpo es crucial para evaluar los riesgos asociados, como la diabetes tipo 2 o el síndrome metabólico. Las imágenes de resonancia magnética (RM) de la parte superior del abdomen han demostrado ser una herramienta poderosa para analizar la composición corporal. Pero, ¿cómo puede la inteligencia artificial (IA) ayudar a procesar estas imágenes de manera más eficiente y precisa?
La importancia de las imágenes de resonancia magnética
Las imágenes de RM permiten medir la cantidad de grasa en el hígado y en el abdomen. Esto es especialmente útil en personas con obesidad. Los resultados de estas imágenes pueden guiar a los médicos en la elección de tratamientos o cirugías. Sin embargo, el uso de IA para analizar estas imágenes enfrenta un gran desafío: la calidad de las imágenes no siempre es uniforme. Esto puede afectar la precisión de los resultados.
Preparación del paciente: el primer paso clave
Para obtener imágenes de alta calidad, es esencial que el paciente esté bien preparado. Por ejemplo, debe estar en ayunas antes de la RM y no llevar objetos metálicos. En personas con obesidad severa, se recomienda usar equipos de RM con un túnel más amplio. Esto evita problemas como la dificultad para respirar durante el examen, lo que puede causar imágenes borrosas.
Configuración del equipo de RM: detalles técnicos
La calidad de las imágenes también depende de cómo se configure el equipo de RM. Se prefieren equipos de 1.5 o 3.0 teslas, que son más potentes. Para analizar la grasa en el hígado, se usa una técnica llamada PDFF (fracción de densidad de protones de grasa). Para medir la grasa abdominal, se utilizan imágenes 3D de alta resolución, conocidas como imágenes Dixon. Si el equipo no puede realizar esta técnica, existe una alternativa llamada escaneo de doble eco.
Calidad de las imágenes: ¿qué se necesita para que la IA funcione?
Las imágenes deben ser de alta calidad, similar a lo que se requiere para un diagnóstico clínico. Se guardan en formato DICOM, que conserva detalles importantes como el grosor de cada corte. Las imágenes con artefactos o errores no son útiles para el análisis de IA. Por ejemplo, para medir la grasa en el hígado, la IA debe poder identificar los bordes del hígado. Esto es más fácil en personas con mucha grasa en el hígado, pero más difícil en personas con niveles normales o levemente elevados.
Anotación de las imágenes: cómo guiar a la IA
Para que la IA pueda analizar las imágenes, es necesario «enseñarle» qué áreas debe examinar. Por ejemplo, para medir la grasa en el hígado, se debe marcar todo el hígado, evitando vasos sanguíneos grandes o áreas con errores. La IA puede calcular el valor promedio de grasa en el hígado basándose en estas áreas marcadas. También se están desarrollando sistemas para analizar diferentes partes del hígado, ya que la grasa no se distribuye de manera uniforme.
Para la grasa abdominal, se pueden marcar áreas de grasa visceral (dentro del abdomen) y grasa subcutánea (debajo de la piel). Estas áreas pueden ser marcadas automáticamente por la IA o manualmente usando un software especializado. Como las imágenes de RM son tridimensionales, el grosor de cada corte influye en los resultados finales.
Gestión de datos: organizar la información para el futuro
Es fundamental organizar y almacenar los datos de manera adecuada. Se recomienda crear una base de datos para guardar información clínica y las imágenes de RM. Por ejemplo, en China, existe una base de datos llamada GC-MBD que contiene información de más de 10,000 casos. Esta base de datos debe ser supervisada por un comité que asegure la calidad de la información. Los datos incluyen detalles demográficos, resultados de laboratorio, valores de grasa en el hígado y abdomen, y registros de eventos adversos. Antes de ingresar los datos, los responsables deben recibir capacitación, y la información debe ser verificada para asegurar su precisión.
Conclusión: hacia un futuro más preciso
Este artículo destaca tres aspectos clave para el uso de IA en el análisis de la composición corporal mediante imágenes de RM: estándares uniformes para la adquisición de datos, anotación precisa de las imágenes y gestión adecuada de la información. Al seguir estas pautas, se puede mejorar la precisión de los análisis de IA, lo que beneficiará tanto a los pacientes como a los investigadores.
For educational purposes only.
doi.org/10.1097/CM9.0000000000002002