Inteligencia artificial permite la detección temprana de artritis mediante escaneos HR-pQCT

La falta de biomarcadores actualmente, a menudo dificultan la clasificación precisa del tipo relevante de artritis. Las imágenes de rayos X utilizadas para ayudar al diagnóstico tampoco son completamente confiables, ya que su bidimensionalidad no es lo suficientemente precisa y deja espacio para la interpretación. Esto se suma al hecho de que el posicionamiento de la articulación que se está examinando para una imagen de rayos X puede ser difícil. Un equipo de informáticos y médicos han logrado enseñar a una red neuronal artificial a diferenciar entre artritis reumatoide, artritis psoriásica y articulaciones sanas.

Un proyecto de investigación interdisciplinario realizado en la Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU, Erlangen, Alemania) y la Universitätsklinikum Erlangen (Erlangen, Alemania) investigó las siguientes preguntas: ¿Puede la inteligencia artificial (IA) detectar varios tipos de artritis usando patrones de forma de las articulaciones? ¿Nos permite este método hacer diagnósticos más precisos en casos de artritis indiferenciada? ¿Hay ciertas áreas en las articulaciones que deben examinarse con más detalle durante un diagnóstico? Para encontrar las respuestas a sus preguntas, el equipo de investigación centró sus investigaciones en las articulaciones metacarpofalángicas de los dedos, regiones del cuerpo que muy a menudo se ven afectadas de manera temprana en pacientes con enfermedades autoinmunes como la artritis reumatoide o la artritis psoriásica.

Se entrenó una red de neuronas artificiales utilizando escaneos dactilares de tomografía computarizada cuantitativa periférica de alta resolución (HR-pQCT) con el objetivo de diferenciar entre articulaciones “sanas” y aquellas de pacientes con artritis reumatoide o psoriásica. Se seleccionó HR-pQCT porque actualmente es el mejor método cuantitativo para producir imágenes tridimensionales de huesos humanos con la más alta resolución. En el caso de la artritis, los cambios en la estructura de los huesos se pueden detectar con mucha precisión, lo que hace posible una clasificación precisa. Luego se usaron un total de 932 nuevas exploraciones HR-pQCT de 611 pacientes para verificar si la red artificial realmente puede implementar lo que había aprendido: ¿Puede proporcionar una evaluación correcta de las articulaciones de los dedos previamente clasificadas?

Los resultados mostraron que la IA detectó el 82 % de las articulaciones sanas, el 75 % de los casos de artritis reumatoide y el 68 % de los casos de artritis psoriásica, que es una probabilidad de acierto muy alta sin ninguna otra información. Cuando se combina con la experiencia de un reumatólogo, podría conducir a diagnósticos mucho más precisos. Además, cuando se presentaron casos de artritis indiferenciada, la red pudo clasificarlos correctamente. Si bien que el equipo de investigación pudo usar tomografía computarizada de alta resolución, este tipo de imágenes rara vez está disponible para los médicos en circunstancias normales debido a las restricciones en términos de espacio y costos. Sin embargo, estos nuevos hallazgos siguen siendo útiles ya que la red neuronal detectó ciertas áreas de las articulaciones que brindan la mayor cantidad de información sobre un tipo específico de artritis, que se conocen como puntos críticos intraarticulares. En el futuro, los médicos podrían utilizar estas áreas como una pieza más del rompecabezas diagnóstico para confirmar los casos sospechosos. Esto ahorraría tiempo y esfuerzo durante el diagnóstico y, de hecho, ya es posible mediante ultrasonido, por ejemplo.

“Estamos muy satisfechos con los resultados del estudio, ya que muestran que la inteligencia artificial puede ayudarnos a clasificar la artritis más fácilmente, lo que podría conducir a un tratamiento más rápido y más específico para los pacientes. Sin embargo, somos conscientes del hecho de que hay otras categorías que deben alimentarse a la red. También estamos planeando transferir el método de IA a otros métodos de imagen como el ultrasonido o la resonancia magnética, que están más disponibles”, explicó Lukas Folle de la Cátedra de Ciencias de la Computación 5 (Reconocimiento de Patrones) en la Universitätsklinikum Erlangen.

Enlaces relacionados:
FAU  
Universitätsklinikum Erlangen