Pulmonary Embolism Risk Stratification from CTPA and Medical Records: Vascular Graphs Are Not All You Need

Resumen Técnico: Estratificación del Riesgo de Embolia Pulmonar a partir de CTPA e Historias Clínicas

Planteamiento del Problema
La estratificación del riesgo para la Embolia Pulmonar (EP) es esencial para determinar el manejo clínico, como la necesidad de cuidados intensivos o terapia trombolítica. Las guías actuales se basan en una combinación de historias clínicas, pruebas de sangre (troponina, NT-proBNP) y la evaluación visual de la Angiotomografía Computarizada de Arteria Pulmonar (CTPA). Sin embargo, las pruebas de sangre suelen no estar disponibles durante el diagnóstico inicial, lo que crea una brecha entre las guías y la práctica rutinaria. Aunque la CTPA es la herramienta diagnóstica estándar, su uso para la estratificación del riesgo se limita actualmente a la evaluación de la disfunción del ventrículo derecho (VD) en lugar de la carga de trombos. Los scores clínicos existentes para la carga de trombos (p. ej., Qanadli, Mastora) requieren la localización manual de los trombos, lo cual es demasiado lento para el uso rutinario. Aunque el aprendizaje profundo ha automatizado la segmentación y detección, los modelos de visión estándar tienen dificultades con la naturaleza dispersa de los trombos y las arterias para la predicción de riesgo a nivel de paciente. Este trabajo investiga si los modelos de vanguardia pueden estratificar con precisión el riesgo de EP utilizando únicamente historias clínicas y biomarcadores extraídos de la CTPA, explorando específicamente si las representaciones ricas de grafos vasculares pulmonares ofrecen ventajas sobre las características globales más simples.

Metodología
Los autores proponen un flujo de trabajo para categorizar el riesgo de EP en tres clases (Bajo, Intermedio-bajo, Intermedio-alto) utilizando un conjunto de datos privado de 353 pacientes con datos unicamente completos. La metodología consta de tres etapas principales:

1. Preprocesamiento de Datos y Extracción de Características:

   • Procesamiento de CTPA: Las imágenes 3D de CTPA se procesan para segmentar los ventrículos cardíacos (VI/VD) y el árbol arterial pulmonar (incluyendo trombos) utilizando TotalSegmentator y un pipeline personalizado de nnUNet.
   • Construcción de Grafos: El árbol arterial segmentado se convierte en un grafo específico para cada paciente donde las uniones/terminales son nodos y los vasos son aristas. Las características de las aristas incluyen radio del vaso, longitud, volumen, profundidad y métricas relacionadas con el trombo (volumen, obstrucción).
   • Cómputo de Biomarcadores:
     • Biomarcadores Cardíacos: Derivados de las máscaras ventriculares (volúmenes VD/VI, relación VD/VI).
     • Biomarcadores Vasculares: Seis métricas a nivel de paciente que resumen la carga de trombos (p. ej., volumen total de trombo, score de Qanadli, scores de Mastora) computadas a partir del grafo.
     • Historias Clínicas: Datos estructurados que incluyen factores del score sPESI, edad, frecuencia cardíaca, saturación de oxígeno, presión arterial e historial de cáncer o enfermedad cardiopulmonar.

2. Arquitecturas de Modelos y Estrategias de Fusión:
   El estudio compara dos enfoques primarios para combinar registros médicos (características globales) con información vascular:

   • Modelos Tabulares: Las características globales (registros médicos, biomarcadores cardíacos y biomarcadores vasculares) se concatenan y se introducen en modelos basados en árboles (XGBoost) y modelos fundacionales (TabPFN).
   • Redes Neuronales de Grafos (GNNs): Se aplican directamente a los grafos vasculares. El estudio evalúa:
     • GNNs Monomodales: Utilizando solo el grafo.
     • Fusión Multimodal: Integrando características globales con el grafo mediante cuatro estrategias:
       • Fusión Temprana (Early Fusion): Concatenando características globales a cada nodo.
       • Fusión Tardía (Late Fusion): Concatenando características globales a la incrustación (embedding) final del grafo.
       • Nodo Virtual (Propuesto): Inicializando un nodo virtual conectado a todos los nodos del grafo utilizando características globales.
       • Atención Cruzada (Cross-Attention) (Propuesto): Utilizando un Transformer de Grafos (backbone GPS) donde las características globales se tokenizan y se fusionan mediante atención cruzada bidireccional con los tokens de los nodos.

3. Configuración Experimental:

   • Dataset: 353 pacientes con EP de CHU Saint-Étienne (2014–2020). Las etiquetas de riesgo se derivan de las guías ESC utilizando resultados de pruebas de sangre (no proporcionados al modelo).
   • Evaluación: Validación cruzada de 10 pliegues (división 80/10/10). El rendimiento se mide mediante el F1-score.
   • Optimización de Hiperparámetros: Búsqueda exhaustiva utilizando Optuna para los backbones de GNN (GCN, GATv2, GIN, GPS) y configuraciones de fusión.

Contribuciones Clave

1. Desarrollo de Pipeline: Introducción de un pipeline automatizado para la estratificación del riesgo de EP que integra historias clínicas estructuradas con grafos vasculares de CTPA.
2. Benchmarking Exhaustivo: Una comparación sistemática de modelos tabulares frente a GNNs, probando dos métodos específicos de fusión intermedia (inicialización de Nodo Virtual y Atención Cruzada) para combinar características globales con grafos vasculares.
3. Investigación Empírica de la Utilidad del Grafo: Un análisis de por qué los grafos vasculares pueden fallar en mejorar la estratificación del riesgo, descartando el sobreajuste (overfitting) y el sesgo de etiqueta como causas primarias.

Resultados

• Dominancia de las Características Globales: Los registros médicos y los biomarcadores cardíacos son los predictores más significativos. TabPFN logra un F1-score del 86.3% utilizando registros médicos y biomarcadores cardíacos.
• Valor Limitado de los Biomarcadores Vasculares: Añadir biomarcadores vasculares (p. ej., score de Qanadli) al modelo tabular no mejora significativamente el rendimiento (86.3% vs. 86.8% con solo biomarcadores cardíacos; la adición de biomarcadores vasculares resultó en un cambio insignificante).
• Rendimiento de las GNNs: Las GNNs aplicadas a grafos vasculares sin características globales funcionan deficientemente (F1 ~50-55%). Cuando se añaden características globales, las GNNs mejoran pero no logran superar la sólida línea base tabular. La mejor configuración de GNN (GPS con Atención Cruzada) alcanza un F1 de 83.8%, lo cual es estadísticamente indistinguible de la línea base de TabPFN (86.3%) y no representa una mejora significativa.
• Pruebas de Hipótesis:
  • Sobreajuste (Overfitting): Descartado; las brechas de generalización fueron consistentes con conjuntos de datos más grandes.
  • Fallo de Aprendizaje: Descartado; las GNNs regresaron con éxito los biomarcadores vasculares (Volumen Total de Embolia, score de Qanadli) mejor que los modelos tabulares, demostrando que pueden aprender patrones de grafos.
  • Sesgo de Etiqueta: Descartado; los errores del modelo no se correlacionaron con casos ambiguos definidos por cambios en las versiones de las guías.

Significado y Conclusión
El artículo presenta el primer estudio que evalúa la utilidad de los grafos vasculares pulmonares para la estratificación del riesgo de EP. Contrario a la intuición de que la topología vascular detallada y la carga de trombos mejorarían la predicción del riesgo, los resultados sugieren que los grafos vasculares no proporcionan información discriminativa adicional más allá de los registros médicos y los biomarcadores cardíacos para esta tarea específica.

Los autores concluyen que, si bien las GNNs pueden aprender patrones complejos dentro del grafo vascular (como lo demuestra la regresión de biomarcadores), estos patrones no se traducen en una mejor estratificación del riesgo a nivel de paciente cuando se comparan con características globales más simples. Este hallazgo desafía la suposición de que las representaciones de grafos de la vasculatura pulmonar son inherentemente superiores para esta aplicación clínica, sugiriendo que los biomarcadores clínicos actuales y la historia médica pueden capturar ya la información de riesgo necesaria. El código se pone a disposición para apoyar investigaciones posteriores.