How Far Has AI Come in Liver Fibrosis Staging? A Large-Scale Real-World Dataset and Benchmark

Resumen Técnico: Benchmark LiFS para la Estadificación de la Fibrosis Hepática

Planteamiento del Problema
A pesar de los avances metodológicos significativos en el aprendizaje profundo para el análisis de imágenes médicas, la preparación clínica de la Inteligencia Artificial (IA) para la estadificación de la fibrosis hepática sigue sin cuantificarse bajo condiciones del mundo real. Las evaluaciones existentes suelen limitarse a entornos controlados de un solo centro con datos curados, lo que impide capturar la heterogeneidad de la práctica clínica con múltiples escáneres. Además, existe una falta de conjuntos de datos a gran escala que presenten secuencias completas potenciadas con ácido gadoxético (GED) (incluyendo la fase hepatobiliar, HBP) emparejadas con etiquetas de estadificación confirmadas por histopatología. En consecuencia, no está claro hasta qué punto la IA actual ha avanzado para igualar el rendimiento de los radiólogos en ejercicio ni cuán robustos son estos sistemas frente a cambios de dominio entre centros, desequilibrios de etiquetas y modalidades faltantes.

Metodología y Construcción del Conjunto de Datos
Para abordar estas lagunas, los autores presentan LiFS (Estadificación de la Fibrosis Hepática), un conjunto de datos y un benchmark a gran escala y multicéntrico derivados del desafío CARE-Liver celebrado junto con MICCAI 2025.

• Composición del Conjunto de Datos: LiFS comprende 610 pacientes de tres centros clínicos y cuatro escáneres de resonancia magnética (RM) diferentes (con variaciones en fabricantes y fuerzas de campo: 1.5T y 3.0T). El conjunto de datos incluye 4.174 volúmenes de RM 3D y más de 218.000 cortes.
• Protocolos de Imagen: Los datos abarcan RM de múltiples secuencias: ponderada en T1 (T1W), ponderada en T2 (T2W), imagen por difusión (DWI) y RM potenciada con GED de cuatro fases (fases arterial, venosa portal, tardía y hepatobiliar).
• Verdad Terrena: Las etiquetas de estadificación se basan en el sistema de gradación de Scheuer (S1–S4), confirmadas por histopatología de biopsias o resecciones quirúrgicas realizadas dentro de los tres meses posteriores a la exploración por RM.
• Imperfecciones del Mundo Real: El conjunto de datos incluye intencionalmente desalineación espacial entre secuencias, modalidades faltantes debido a fallos en la adquisición y una heterogeneidad significativa entre centros.
• Diseño Experimental: El benchmark evalúa 9 métodos desarrollados independientemente seleccionados de 96 equipos registrados. La evaluación se realiza en:
  • Conjunto de Pruebas Intra-distribución (ID): Datos de la misma distribución que el entrenamiento.
  • Conjunto de Pruebas Fuera de Distribución (OOD): Datos de un escáner y un centro completamente no vistos (Fabricante C) para evaluar la generalización.
  • Subtareas: Detección de Cirrosis (S4 vs. S1–3) y Detección de Fibrosis Significativa (S1 vs. S2–4).
  • Configuraciones: Con Contraste (todas las secuencias) y Sin Contraste (solo T1W, T2W, DWI).
• Referencia Clínica: Dos radiólogos certificados por la junta (con 3 y 8 años de experiencia) calificaron independientemente los mismos casos utilizando un esquema de puntuación cualitativa de RM de 7 puntos, proporcionando una referencia intra-cohortes para la comparación IA-versus-humano.

Contribuciones Clave

1. Conjunto de Datos LiFS: El primer conjunto de datos a gran escala y multicéntrico que presenta secuencias GED completas (incluyendo HBP) y estadificación de fibrosis confirmada por histopatología de diversos escáneres del mundo real.
2. Benchmark Integral: Un marco de evaluación unificado que compara los métodos de IA con el rendimiento de los radiólogos bajo condiciones tanto coincidentes (ID) como desplazadas (OOD).
3. Análisis Empírico: Un análisis sistemático de nueve métodos de alto rendimiento para identificar factores que influyen en la preparación clínica, incluida la dimensionalidad de entrada, las estrategias de fusión y las arquitecturas de base.

Resultados

• IA vs. Radiólogos:
  • Bajo condiciones ID, los mejores métodos de IA lograron AUCs comparables al radiólogo senior (Experto-8Años) y superaron significativamente al radiólogo junior (Experto-3Años). Por ejemplo, en la configuración ID con contraste, el mejor IA alcanzó un AUC del 86,16% (Subtarea 1), superando el 81,83% del Experto-8Años.
  • Bajo condiciones OOD, el rendimiento se volvió heterogéneo. Si bien los mejores métodos de IA permanecieron comparables al radiólogo senior en varias configuraciones, el rendimiento mediano de la IA generalmente cayó a niveles de radiólogo junior o por debajo.
  • Significancia: La IA de primer nivel puede acercarse al rendimiento del radiólogo senior en configuraciones coincidentes, pero aún no se logra una consistencia a nivel clínico a través de cambios de distribución.
• Desafíos desde la Perspectiva de los Datos:
  • Heterogeneidad entre Centros: La mayoría de los métodos sufrieron una degradación sustancial del rendimiento al pasar de los conjuntos ID a los OOD.
  • Desequilibrio de Etiquetas: En la Subtarea 2 (S1 vs. S2–4), un desequilibrio de clases severo (S2–4 constituyendo ~93% de los datos OOD) llevó a un "colapso del modelo" donde muchos métodos lograron una alta Precisión (>85%) al predecir la clase mayoritaria, pero fallaron en lograr un AUC alto.
  • Secuencias con Contraste: La inclusión de secuencias GED (especialmente HBP) produjo resultados mixtos. Si bien algunos métodos mejoraron significativamente bajo condiciones OOD (sugiriendo que la HBP captura información funcional invariante a los cambios de escáner), otros se degradaron, lo que indica un dilema práctico en la utilización de la HBP sin una adquisición estandarizada.
• Desafíos desde la Perspectiva Técnica:
  • Pre-registro: Los métodos que incorporaron registro espacial rígido lograron un mayor rendimiento ID, lo que sugiere que la alineación es crucial para la fusión multimodal.
  • Dimensionalidad de Entrada: Los enfoques volumétricos 3D lograron un mayor rendimiento ID pero sufrieron caídas OOD más grandes en comparación con los métodos basados en parches 2D, probablemente debido al sobreajuste a priores espaciales específicos del fabricante.
  • Estrategia de Fusión: La fusión temprana (aprendizaje conjunto de representaciones) mostró la menor caída OOD, mientras que la fusión tardía (agregación a nivel de decisión) sufrió la mayor degradación.
  • Arquitectura de Base: Los modelos basados en transformadores demostraron una robustez OOD ligeramente mejor en comparación con las CNN, potencialmente debido a su capacidad para capturar dependencias de largo alcance.

Significancia y Afirmaciones
El artículo afirma que LiFS proporciona el primer benchmark riguroso y del mundo real para medir el estado actual de la IA en la estadificación de la fibrosis hepática. Los autores concluyen que, si bien la IA ha alcanzado un nivel clínicamente significativo en configuraciones seleccionadas y coincidentes —potencialmente apoyando la estadificación no invasiva y reduciendo la dependencia de biopsias en escenarios específicos—, su robustez sigue siendo insuficiente para un despliegue fiable en entornos clínicos heterogéneos.

El benchmark expone una brecha crítica entre el alto rendimiento en datos de prueba curados y la IA clínicamente fiable. Los autores enfatizan que la investigación futura debe priorizar la generalización entre centros, el manejo del desequilibrio de etiquetas y el desarrollo de estrategias de modelado multimodal robustas que puedan navegar la variabilidad de las secuencias con contraste y las diferencias entre escáneres. LiFS sirve como plataforma para guiar esta próxima etapa de investigación hacia soluciones desplegable clínicamente.