Classificació dels esquinçaments del maneguet rotador en ecografia emprant models d'aprenentatge profund.

01.07.2025

Article original: Ho TT, Kim GT, Kim T, Choi S, Park EK. Classification of rotator cuff tears in ultrasound images using deep learning models. Med Biol Eng Comput. 2022;60(5):1269-1278.

DOI: 10.1007/s11517-022-02502-6

Societat: International Federation for Medical and Biological Engineering. @FMBE_official

Paraules clau: Esquinçament del manegot rotador, aprenentatge profund, xarxa neuronal convolucional, ultrasons, aprenentatge per transferència.

Línia editorial del nombre
Aquest número de la revista Medical & Biological Engineering & Computing (MBEC) reflecteix el seu enfocament interdisciplinari a la convergència de l'enginyeria, la computació i les ciències biomèdiques, destacant investigacions innovadores que integren tecnologies avançades per resoldre problemes clínics. La línia editorial prioritza estudis amb aplicacions pràctiques en diagnòstic, tractament i seguiment mèdic, especialment aquells que empren intel·ligència artificial, processament de senyals i imatges, i modelatge computacional. La revista emfatitza la validació metodològica, la reproductibilitat i la transferibilitat dels resultats a entorns sanitaris reals, promovent així la traducció de l'enginyeria a la pràctica mèdica.

Motivo de la selecció
L'article aborda una patologia comuna (esquinçaments del maniguet rotador) que s'avalua rutinàriament amb ultrasò. Reforça el valor de l'ecografia en el diagnòstic d'aquesta patologia, sovint subestimat davant de la RM, i en destaca el cost-efectivitat, l'accessibilitat i la seguretat. A més, mostra com la intel·ligència artificial pot millorar la precisió diagnòstica oferint un "segon parell d'ulls" per reduir errors humans, especialment en casos ambigus. L'article introdueix conceptes d'IA de manera accessible, animant els ecografistes a explorar com aquestes eines poden complementar el coneixement i anticipa la integració inevitable d'algorismes en equips d'ultrasò, incentivant els professionals a familiaritzar-se amb aquestes tecnologies.

Resum
Els esquinçaments del maniguet rotador (rotator cuff tears, RCT) són una de les lesions d'espatlla més comunes, especialment en persones de mitjana i avançada edat. El seu diagnòstic primerenc és crucial per prevenir complicacions. Aquest estudi proposa l'ús de xarxes neuronals convolucionals (convolutional neural networks, CNN) per classificar automàticament RCT en imatges d'ultrasò, millorant la precisió i l'accessibilitat del diagnòstic.

L'estudi va utilitzar 194 imatges d'ultrasò de 103 pacients (72 amb RCT i 31 sense RCT), obtingudes amb un equip ALOKA Ultrasound Alpha 7 a l'Hospital Universitari Gospel de Kosin (Corea del Sud) Les imatges es van preprocessar redimensionant-les a 224x224 píxels. van emprar cinc models CNN preentrenats (VGG19, InceptionV3, Xception, ResNet50 i DenseNet121) mitjançant transfer learning, ajustant els seus hiperparàmetres amb optimització bayesiana per millorar el rendiment El model final va consistir en una capa convolucional per a extracció de característiques. Iteracions d'entrenament i prova (cross-validation), i es va avaluar el rendiment amb mètriques com a precisió, sensibilitat, especificitat i l'àrea sota la corba ROC.

Entre els models avaluats, DenseNet121 va mostrar el millor rendiment amb una precisió de 88.2% sensibilitat 93.8% i especificitat 83.6%. Segons, sent InceptionV3 el més ràpid.

Es va confirmar que les àrees destacades pel model coincidien amb les identificades per metges especialistes, cosa que va validar la capacitat de l'algorisme per localitzar esquinços a les ecografies.

L'estudi demostra que l'aprenentatge profund pot classificar les RCT amb una precisió comparable a mètodes més costosos com ara la ressonància magnètica. Els principals avantatges inclouen rapidesa (diagnòstic en 3 segons per imatge) i simplicitat (no requereix segmentació manual).

Tot i això, l'estudi té algunes limitacions. Per exemple, només es van incloure imatges procedents d'un únic centre mèdic.

En conclusió, aquest treball valida l'ús de CNN per classificar RCT en ecografia, i és una eina accessible i eficient per a clínics, especialment en entorns amb recursos limitats.

Valoració personal
L'ús d'aquests algorismes a la pràctica clínica diària dels ecografistes proporciona una segona opinió en temps real en casos dubtosos i redueix la dependència d'altres mètodes més “eficaços” i, sens dubte, costosos, com ara la RM. Almenys per al diagnòstic de cribratge inicial. Aquest estudi obre el camí per a la integració de la IA al diagnòstic ecogràfic de la RCT, combinant precisió, velocitat i transparència en la presa de decisions clíniques.

Javier Álvarez González
TSID - Hospital General Universitario (Madrid).

j.alvarezglez.prof@gmail.com