Herramienta de precisión en imágenes permite comparar métodos sin datos de referencia

En muchos casos, se desconoce el valor real de lo que se está midiendo, como el tamaño de un tumor o las características de captación, lo que dificulta determinar qué método de imagen es el más preciso. Esta incertidumbre puede afectar tanto a las decisiones clínicas como a la evaluación de nuevas tecnologías. Ahora, los investigadores han desarrollado una técnica que clasifica la precisión de los métodos de imagen sin requerir un patrón oro.

La Universidad de Washington en St. Louis ha presentado NGSE-Corr, un marco matemático que permite a investigadores y clínicos evaluar con qué precisión funcionan distintos métodos de imagen cuantitativa cuando la verdad fundamental no está disponible. El enfoque está concebido para apoyar a los desarrolladores de herramientas de inteligencia artificial (IA), así como a los reguladores que evalúan dichas tecnologías para su uso clínico. Proporciona una forma estructurada de comparar métodos utilizando datos de tipo clínico sin necesidad de mediciones de referencia definitivas.

El método se basa en la teoría previa de la imagen cuantitativa al tener en cuenta de forma explícita el ruido correlacionado entre herramientas que miden la misma lesión o propiedad biológica. En la práctica, las mediciones de distintos métodos aplicados al mismo tumor no son independientes, y NGSE-Corr incorpora estas correlaciones en su proceso de clasificación. El equipo realizó experimentos numéricos que demostraron que la técnica puede ordenar objetivamente los métodos según su precisión en condiciones clínicas realistas.

A continuación, los investigadores llevaron a cabo un ensayo de imagen virtual para clasificar tres métodos cuantitativos de tomografía computarizada por emisión de fotón único (SPECT) para medir la captación de actividad regional en pacientes generados por ordenador con cáncer de próstata resistente a la castración con metástasis óseas tratados con radio-223. El objetivo era determinar qué método sería el más adecuado para esa tarea clínica. El ensayo virtual permitió una comparación controlada al tiempo que reflejaba la variabilidad clínicamente relevante.

En grupos de 50 pacientes virtuales, la metodología clasificó con precisión los métodos de imagen en el 91% de los ensayos e identificó el método más preciso en el 95% de los ensayos, con una mejora del rendimiento a medida que aumentaba el tamaño de la cohorte virtual. El trabajo se publicó en IEEE Transactions on Medical Imaging. Los colaboradores procedían del Instituto Mallinckrodt de Radiología (MIR), el Siteman Cancer Center, con sede en Barnes-Jewish Hospital y WashU Medicine, y el Departamento de Cirugía de WashU Medicine.

“Las imágenes médicas se utilizan cada vez más no solo para la interpretación visual, sino también para obtener mediciones cuantitativas de propiedades clínicamente relevantes. Queremos que estas mediciones sean precisas. De lo contrario, pueden afectar las decisiones clínicas que se toman con base en ellas”, dijo Abhinav Jha, Ph.D., profesor asociado de ingeniería biomédica en la Escuela de Ingeniería McKelvey y de radiología en WashU Medicine Mallinckrodt Institute of Radiology (MIR).

“Esta herramienta tiene muchas posibles aplicaciones para distintos miembros de la comunidad. Podría ser útil para investigadores que están desarrollando nuevos métodos de imagen cuantitativa, incluidas metodologías basadas en IA; médicos que buscan utilizar distintas herramientas para tomar decisiones; y reguladores interesados en evaluar tecnologías”, dijo Jha.

Enlaces relacionados
Escuela de Ingeniería McKelvey de WashU 
Instituto Mallinckrodt de Radiología de WashU Medicine