Automated Prediction of Postoperative Pancreatic Fistula Using Preoperative Computed Tomography

Resumen Técnico: Predicción Automatizada de Fístula Pancreática Postoperatoria mediante Tomografía Computarizada Preoperatoria

Planteamiento del Problema
La fístula pancreática postoperatoria (POPF, por sus siglas en inglés) es una complicación grave tras la resección pancreática, lo que aumenta significativamente la morbilidad, la estancia hospitalaria y los costes sanitarios. La incidencia de la POPF clínicamente relevante (CR-POPF) oscila entre el 10% y el 40%. Mientras que la estratificación de riesgos tradicional se basa en factores clínicos (p. ej., IMC, diámetro del conducto pancreático) y evaluaciones intraoperatorias, estos métodos suelen adolecer de una precisión moderada y de subjetividad. Los autores postulan que las tomografías computarizadas (TC) preoperatorias contienen datos de alta dimensionalidad y gran riqueza —incluyendo sutiles características texturales y variaciones anatómicas— que podrían aprovecharse para caracterizar mejor el riesgo antes de la cirugía, aunque este potencial sigue siendo infrautilizado por los modelos estadísticos actuales.

Metodología
El artículo propone un flujo de trabajo de aprendizaje profundo (deep learning) de extremo a extremo diseñado para predecir la probabilidad de CR-POPF utilizando únicamente imágenes de TC preoperatorias. El proceso consta de cuatro etapas principales:

1. Cohorte de Datos y Preprocesamiento:

   • El estudio utilizó un conjunto de datos mantenido prospectivamente por la Clínica Mayo, que comprende pacientes adultos sometidos a pancreatoduodenectomía entre 2010 y 2020.
   • Se analizaron dos cohortes distintas basadas en la fase de contraste: Venosa Portal (N=1.353) y Arterial Tardía (N=963).
   • Detección de Fase: Un clasificador XGBoost determinó la fase de contraste de cada exploración basándose en las intensidades de las Unidades Hounsfield (HU).
   • Segmentación y Extracción de ROI: Para centrar el modelo en la anatomía relevante, los autores emplearon una segmentación pancreática automatizada para generar máscaras binarias. Se compararon dos fuentes de segmentación: un modelo personalizado 3D nnU-Net de la Clínica Mayo (MS) y el modelo TotalSegmentator (TS).
   • Estandarización: El flujo de trabajo aplicó una ventana de HU (ancho de ventana=300, centro=80) para estandarizar las intensidades. Los volúmenes se recortaron mediante un cuadro delimitador ajustado alrededor del páncreas y se rellenaron con relleno central (center-padding) para obtener un tamaño uniforme ($H^\star_{in} \times W^\star_{in} \times D^\star_{in}$).

2. Arquitecturas de Modelos:
   Se evaluaron tres arquitecturas de redes neuronales convolucionales (CNN) 3D para la clasificación binaria (presencia o ausencia de POPF):

   • CNN3D: Una red base ligera y personalizada entrenada desde cero, que presenta tres etapas convolucionales con atajos residuales (residual shortcuts).
   • ResNet-(2+1)D-18: Una arquitectura residual que factoriza las convoluciones 3D en convoluciones espaciales y de profundidad (entre cortes) para modelar eficientemente el contexto 3D.
   • ResNet-MC3-18: Un modelo que utiliza convoluciones espaciotemporales mixtas, empleando núcleos 3D en las capas iniciales para el contexto entre cortes y convoluciones espaciales por corte en las capas posteriores.

3. Entrenamiento y Evaluación:

   • Aumento de Datos: El entrenamiento utilizó transformaciones estocásticas de MONAI, incluyendo giros 3D aleatorios, rotaciones, zooms y perturbaciones de intensidad (ajustes de histograma, ruido, suavizado).
   • Optimación: Los modelos se entrenaron con AdamW utilizando un programa de tasa de aprendizaje OneCycle. El desequilibrio de clases se abordó mediante muestreo ponderado y pérdida de entropía cruzada ponderada.
   • Validación: El rendimiento se evaluó mediante validación cruzada estratificada de 5 pliegues bajo dos protocolos: (i) divisiones equilibradas de entrenamiento/prueba y (ii) divisiones de distribución natural que preservan la prevalencia observada de CR-POPF.

Resultados Clave
El estudio evaluó el rendimiento utilizando el Área Bajo la Curva ROC (AUC), precisión, sensibilidad (recall) y puntuación F1.

• Rendimiento de la Arquitectura: Las estructuras residuales espaciotemporales (ResNet-(2+1)D-18 y ResNet-MC3-18) superaron consistentemente a la base personalizada CNN3D.
• Impacto de la Segmentación: La calidad de la máscara pancreática influyó significativamente en los resultados. Los modelos que utilizaron las máscaras de Segmentación de Mayo (MS) alcanzaron AUCs más altas (aprox. 0,73) en comparación con los que utilizaron las máscaras de TotalSegmentator (TS) (aprox. 0,65–0,66), lo que resalta la importancia de la fidelidad de la ROI.
• Fase de Contraste: En la cohorte de la Fase Arterial Tardía, el modelo con mejor rendimiento (R2Plus1DResNet18 con máscaras MS) alcanzó un AUC de $0,73 \pm 0,04$ en divisiones equilibradas y $0,68 \pm 0,07$ en divisiones de distribución natural. En la cohorte de la Fase Venosa Portal, el R2Plus1DResNet18 con máscaras MS alcanzó un AUC de $0,73 \pm 0,06$ (equilibrado) y $0,70 \pm 0,03$ (distribución natural).
• Desequilibrio de Clases: Bajo las divisiones de distribución natural, la precisión disminuyó mientras que la sensibilidad se mantuvo alta, un comportamiento típico en conjuntos de datos médicos desequilibrados, aunque el orden de los modelos por AUC se mantuvo constante.

Significancia y Reivindicaciones
Los autores afirman que este trabajo demuestra la viabilidad de utilizar únicamente imágenes de TC preoperatorias para estratificar a los pacientes para el riesgo de CR-POPF. Las contribuciones clave incluyen:

• Referencia Metodológica: El artículo proporciona una comparación rigurosa de arquitecturas modernas de aprendizaje profundo 3D para la clasificación de TC específica de páncreas, estableciendo una base para futuras investigaciones.
• Utilidad Clínica: El flujo de trabajo propuesto ofrece una herramienta potencial para la toma de decisiones preoperatorias. Al identificar a los pacientes de alto riesgo antes de la cirugía, los clínicos podrían, teóricamente, adaptar el manejo perioperatorio, considerar enfoques quirúrgicos alternativos (p. ej., evitar la anastomosis) o instituir un seguimiento postoperatorio mejorado.
• Perspectivas Basadas en Datos: Los resultados sugieren que las TC preoperatorias centradas en el páncreas y con ventana de HU contienen firmas de imagen mensurables asociadas con la CR-POPF que son susceptibles de extracción computacional.

Limitaciones
Los autores señalan explícitamente las siguientes limitaciones:

• Alcance de la Predicción: Las imágenes por sí solas no pueden determinar plenamente el desarrollo de la fístula, ya que el resultado también está influenciado por factores a nivel del paciente (edad, comorbilidades) y variables intraoperatorias (pérdida de sangre) que no se incluyen en este modelo.
• Propagación de Errores: El flujo de trabajo depende de la segmentación automatizada; las máscaras imperfectas o la clasificación errónea de la fase podrían propagar errores a la predicción final.
• Validación: El estudio carece de validación externa en cohortes independientes de múltiples instituciones y de una evaluación prospectiva, las cuales son necesarias para confirmar la robustez y la utilidad clínica antes de su implementación.