Validación externa de un modelo basado en aprendizaje profundo para la detección de embolia pulmonar en tomografías computarizadas de tórax

La embolia pulmonar (EP) es una enfermedad potencialmente mortal si no se diagnostica y trata a tiempo. La CTPA de tórax sigue siendo el estándar de oro para el diagnóstico en la actualidad, pero la EP también se puede encontrar incidentalmente en tomografías computarizadas mejoradas. La mayoría de los exámenes CTPA se realizan en clínicas en caso de sospecha de EP en condiciones urgentes, mientras que una minoría se realiza por condiciones de tromboembolismo pulmonar crónico sospechoso o validado, una enfermedad que con frecuencia se pasa por alto en las tomografías computarizadas pero que se ve afectada por una alta morbilidad y mal pronóstico si no se trata. . Por lo tanto, los métodos para acelerar y automatizar el reconocimiento de émbolos dentro de los vasos pulmonares tienen el potencial de convertirse en un apoyo importante en la práctica clínica, permitiendo una mejor clasificación de los casos urgentes de TEP y una mayor sensibilidad en la identificación de pacientes con tromboembolismo pulmonar crónico. Sobre la base de estas necesidades clínicas, se ha desarrollado un modelo basado en el aprendizaje profundo para la detección de embolia pulmonar en exploraciones CTPA. El modelo se basó en la arquitectura 2D ResNext50 y se entrenó y validó utilizando un conjunto de datos multicéntrico de código abierto compuesto por 7169 pacientes. De estos datos retrospectivos, se extrajeron para entrenamiento 85.000 cortes positivos para PE y 123.428 negativos para PE. Para la validación interna, se utilizaron 9922 cortes para cada clase. Inicialmente, el modelo se validó externamente a nivel de paciente utilizando un conjunto de datos de 156 pacientes adultos de 3 fuentes públicas diferentes, con todos los émbolos segmentados por al menos un radiólogo experimentado. Para obtener información sobre las predicciones del modelo, se extrajeron mapas de activación utilizando el método Grad-CAM. Comparando estos mapas con las segmentaciones de la realidad del terreno (GT), se determinó si las regiones activadas correspondían a regiones de PE calculando el porcentaje de GT PE que se activó y el porcentaje de regiones activadas correspondientes a GT PE. El modelo de clasificación PE alcanzó un área bajo la curva (AUC) de 0,86 [0,800-0,919], una sensibilidad del 82,68 % [75,16 - 88,27] y una especificidad del 79,31 % [61,61 - 90,15] en el conjunto de validación externa. Sin embargo, estos resultados se han obtenido en una cohorte de validación externa desequilibrada (127 pacientes con PE positivos frente a 29 pacientes con PE negativos), por lo que es muy importante evaluar el rendimiento del modelo también en una cohorte de pacientes más equilibrada, que represente la incidencia clínica real de PE ( entre 12 y 22%). Por este motivo, el objetivo del presente estudio es recopilar una cohorte de validación externa representativa de la realidad clínica real, que incluya tanto la TCPA como la TC mejorada, con un porcentaje más equilibrado de casos de EP positivos y negativos. Además, el rendimiento del modelo se comparará entre exploraciones CT y CTPA mejoradas.