Aspecto de la diana en las imágenes ponderadas en T2 y signos de afectación vascular del tumor: valor diagnóstico para diferenciar el CHC de otros carcinomas hepáticos primarios
Cannella, R., Fraum, T.J., Ludwig, D.R. et al.
Eur Radiol (2021).
Disponible en: https://link.springer.com/article/10.1007/s00330-021-07743-x
Palabras clave: carcinoma hepatocelular, colangiocarcinoma intrahepático, resonancia magnética.
Pregunta clínica: ¿Se puede utilizar el aspecto de la diana en T2WI y los signos de afectación vascular del tumor como características potenciales de LI-RADS para diferenciar el CHC de las neoplasias malignas que no lo son?
Lo que se hizo: Se compararon la apariencia Diana y los signos de invasión vascular del tumor en los colangiocarcinomas intrahepáticos y los colangiocarcinomas hepatocelulares combinados.
Cómo se hizo: Evaluación retrospectiva de 165 colangiocarcinomas intrahepáticos, 74 colangiocarcinomas hepatocelulares combinados y 136 CHC (control). Se registró el aspecto en Diana y cinco características de la invasión vascular tumoral (encapsulamiento, estrechamiento, anclaje, oclusión y obliteración) y se calcularon sus sensibilidades y especificidades.
Hallazgos y resultados: La apariencia en Diana en T2WI es altamente específica para las neoplasias malignas no CHC (97,3% -98,2%). El anclaje y la oclusión son las más específicas, entre las características de la invasión vascular del tumor, para las neoplasias malignas distintas de CHC (97,1% -100% y 99,3%, respectivamente). Por el contrario, el encapsulamiento vascular y la obliteración tuvieron las sensibilidades más altas (34,3% -37,2% y 25,5% -29,7%, respectivamente).
Conclusión: La apariencia de la diana en T2WI, anclaje y oclusión vascular demostraron una alta especificidad para la diferenciación de neoplasias no asociadas a CHC del CHC.
Implicaciones: La apariencia en Diana en T2WI puede ser valiosa como característica potencial de imágenes LI-RADS para la categoría LR-M.
Sistema de datos e informes de imágenes hepáticas por resonancia magnética (LI-RADS) versión 2018: impacto y reducción de los criterios auxiliares
van der Pol CB, Dhindsa K, Shergill R, Zha N, Ferri M, Kagoma YK, Lee SY, Satkunasingham J, Wat J, Tsai S.
Am J Roentgenol. (2021).
Disponible en: https://www.ajronline.org/doi/10.2214/AJR.20.23031
Palabras clave: carcinoma hepatocelular, resonancia magnética, análisis de sistemas.
Pregunta clínica: ¿Cuál es el impacto de los criterios auxiliares de LI-RADS v2018 en la resonancia magnética? ¿Y pueden reducirse sin obstaculizar la precisión de LI-RADS?
Qué se hizo: Se calculó la precisión diagnóstica de las categorías LI-RADS con y sin criterios auxiliares. Se utilizaron algoritmos de aprendizaje automático para identificar características auxiliares no contributivas.
Cómo se hizo: Evaluación retrospectiva de 222 observaciones hepáticas para detectar la presencia o ausencia de características principales y auxiliares en la resonancia magnética de acuerdo con LI-RADS v2018. Se determinaron las categorías LI-RADS y su respectiva precisión diagnóstica con y sin criterios auxiliares. Se utilizaron algoritmos de aprendizaje automático para identificar criterios auxiliares no contributivos y luego calcular las métricas de rendimiento de las categorías LI-RADS basadas en diferentes combinaciones de características auxiliares.
Hallazgos y resultados: El porcentaje de CHC no difirió significativamente cuando se utilizaron las funciones principales por sí solas y con la aplicación de criterios auxiliares. Se identificaron cinco características auxiliares como no contributivas: realce de corona, nódulo en nódulo, arquitectura de mosaico, hemoderivados en masa y grasa en masa.
Conclusión / Implicaciones: Se pueden eliminar varios criterios auxiliares de LI-RADS v2018 para MRI sin comprometer su precisión.
Aprendizaje profundo con red neuronal convolucional 3D para la predicción no invasiva de la invasión microvascular en el carcinoma hepatocelular
Zhang Y, Lv X, Qiu J, Zhang B, Zhang L, Fang J, Li M, Chen L, Wang F, Liu S, Zhang S.
J Magn Reson Imaging (2021).
Disponible en: https://doi.org/10.1002/jmri.27538
Palabras clave: carcinoma hepatocelular, resonancia magnética, aprendizaje profundo, invasión microvascular.
Pregunta clínica: predicción preoperatoria de invasión microvascular en el CHC.
Cómo se hizo: Los estudios de RM con contraste de 237 pacientes con CHC confirmado patológicamente después de la resección quirúrgica se utilizaron como entrada para cuatro modelos de aprendizaje profundo. Tres modelos se basaron en una única secuencia de RM y un cuarto modelo de «fusión» que combinaba las tres secuencias de RM. Estos modelos se utilizaron para predecir la presencia o ausencia de invasión microvascular.
Hallazgos y resultados: El modelo de fusión logró la mayor precisión predictiva; 71%, con una sensibilidad del 55% y una especificidad del 81% en el conjunto de datos de validación.
Conclusión / Implicaciones: El aprendizaje profundo puede usarse para la predicción preoperatoria de invasión microvascular en pacientes con CHC
Análisis automatizado de exámenes de resonancia magnética multiparamétrica / elastografía por resonancia magnética para la predicción de esteatohepatitis no alcohólica
Dzyubak B, Li J, Chen J, Mara KC, Therneau TM, Venkatesh SK, Ehman RL, Allen AM, Yin M.
J Magn Reson Imaging (2021).
Disponible en: https://doi.org/10.1002/jmri.27549
Palabras clave: MRE, NASH, PDFF, rigidez hepática.
Pregunta clínica: análisis automatizado de esteatosis y rigidez hepática, y predicción de NASH (esteatosis hepática no alcohólica por sus siglas en inglés) en RM.
Lo que se hizo: el análisis manual de la fracción de grasa de densidad de protones (PDFF) y la rigidez del hígado en estudios de RM se comparó con un análisis basado en aprendizaje automático totalmente automatizado. Se desarrolló otro modelo para predecir NASH.
Cómo se hizo: Evaluación prospectiva de 83 pacientes adultos con obesidad con elastografía por RM (MRE) y RM por desplazamiento químico (CS-MRI). A todos los pacientes se les realizó una biopsia de hígado para evaluar la NASH. Dos radiólogos calcularon manualmente el PDFF y la rigidez del hígado. Se desarrolló un algoritmo automatizado para la selección automatizada de regiones de interés y el cálculo de PDFF y rigidez hepática. Se creó otro modelo para predecir NASH diagnosticada por patología en función de la rigidez y la PDFF.
Hallazgos y resultados: La concordancia entre las mediciones automatizadas y los lectores fue alta (R2 = 0.87 para rigidez y R2 = 0.99 para PDFF). El área bajo la curva ROC para el modelo de predicción de NASH fue 0,87.
Conclusión / Implicaciones: NASH puede predecirse utilizando un algoritmo de aprendizaje automático basado en la rigidez del hígado y PDFF en MRE y CS-MRI, respectivamente.
Translated by: Daniela Segura – Radióloga – ACORE Team Leader Colombia
References
