An Automated Deep Learning Software Tool for Assessing Aortic Remodeling in Aortic Dissection

Resumen Técnico: Una herramienta de software de aprendizaje profundo automatizada para la evaluación de la remodelación de la aorta en la disección de la aorta

Planteamiento del problema
La tomografía computarizada (TC) es el estándar de oro para evaluar la remodelación de la aorta tras intervenciones quirúrgicas de la disección de la aorta, como el procedimiento de trompa de elefante congelado (FET, por sus siglas en inglés). Sin embargo, los estudios clínicos a gran escala necesarios para evaluar la eficacia a largo plazo de estas intervenciones se ven actualmente obstaculizados por la naturaleza laboriosa, lenta y costosa del análisis de imágenes manual. Aunque el aprendizaje profundo ha avanzado en la segmentación volumétrica 3D, la toma de decisiones clínicas sigue dependiendo de métricas 2D específicas (por ejemplo, el diámetro máximo y el área de la sección transversal en puntos de referencia anatómicos). Existe una falta de software automatizado y fácil de usar que vincule la segmentación avanzada de IA 3D con las métricas 2D estandarizadas que utilizan los clínicos para la evaluación rutinaria y la comparación longitudinal.

Metodología
Los autores desarrollaron un flujo de trabajo de software completamente automatizado y de extremo a extremo, implementado como un módulo de extensión para 3D Slicer (versión 5.8.1). El sistema utiliza el aprendizaje profundo para procesar exploraciones de angiografía por TC (CTA) sin intervención manual.

• Marco de Aprendizaje Profundo: La segmentación central emplea el marco no nuevo (nn)U-Net (versión 2), configurado para un análisis de resolución completa en 3D. La estrategia de inferencia utiliza un conjunto de cinco pliegues de validación cruzada para maximizar la robustez.
• Conjuntos de Datos de Entrenamiento: Se utilizaron dos conjuntos de datos de código abierto:
  • AortaSeg24: Utilizado para entrenar el modelo de segmentación de la "aorta completa" (distinguiendo la aorta ascendente del resto de la aorta hasta las arterias ilíacas).
  • ImageTBAD: Utilizado para entrenar el modelo de segmentación de la "luz verdadera" (TL, por sus siglas en inglés). Debido a la baja precisión reportada en la segmentación de la luz falsa trombosada en el conjunto de datos original, el flujo de trabajo depende únicamente de las predicciones de la TL; el área de la luz falsa se deriva restando el área de la TL del área total de la aorta.
  • TotalSegmentator: Utilizado para identificar automáticamente los cuerpos vertebrales (Th8, Th12, L4) para la localización de puntos de referencia anatómicos.
• Arquitectura del Flujo de Trabajo: El proceso consta de seis pasos secuenciales:
  1. Segmentación de Múltiples Estructuras: Segmentación 3D simultánea de la aorta, la luz verdadera y los cuerpos vertebrales.
  2. Reconstrucción y Definición de Puntos Finales: La aorta completa se reconstruye mediante la unión de vóxeles. La línea media se define desde el centroide de la aorta ascendente hasta el nivel vertebral L4.
  3. Extracción de la Línea Media: Se computa una línea media vascular y se remuestrea a 200 puntos de control.
  4. Proyección de Puntos de Referencia: Los centroides vertebrales (Th8 y Th12) se proyectan sobre la línea media de la aorta basándose en la distancia craneocaudal mínima.
  5. Enderezamiento de la Imagen: Se aplica la reformación planar curva (CPR) tanto al volumen de TC como a las máscaras de segmentación para alinear la geometría del vaso.
  6. Medición 2D: Se extraen secciones transversales 2D ortogonales en Th8 y Th12. Las áreas de la sección transversal se calculan contando los vóxeles etiquetados, y los diámetros se derivan asumiendo una sección transversal circular para la aorta completa.

Cohorte del Estudio y Validación
El estudio fue un análisis retrospectivo de prueba de concepto que involucró a 14 pacientes (28 exploraciones de TC: 14 preoperatorias y 14 postoperatorias) que se sometieron a reparación con FET.

• Estándar de Referencia: Dos observadores independientes (un cirujano cardiovascular y un residente) midieron manualmente las áreas aórtica y de la luz verdadera en Th8 y Th12 utilizando una estación de trabajo clínica.
• Análisis Estadístico: La concordancia entre el flujo de trabajo automatizado y la referencia manual (media de dos observadores) se evaluó mediante Coeficientes de Correlación Intraclase (ICC), análisis de Bland-Altman y Error Absoluto Medio (MAE).

Resultos Clave

• Eficiencia de Procesamiento: El flujo de trabajo procesó con éxito las 28 exploraciones sin fallos. El tiempo de procesamiento medio fue de aproximadamente 12,55 minutos por exploración en una estación de trabajo con una GPU NVIDIA Quadro RTX 6000.
• Rendimiento de la Segmentación: En la validación cruzada de cinco pliegues, los modelos alcanzaron puntuaciones Dice elevadas para la aorta (0,94 y 0,91) y la luz verdadera (0,95), mientras que la segmentación de la luz falsa trombosada se mantuvo baja (0,31), validando la decisión de excluirla de la medición directa.
• Concordancia con la Referencia Manual: El flujo de trabajo automatizado demostró una concordancia "excelente" (ICC > 0,90) con la referencia manual en todas las métricas:
  • Área Aórtica: ICC = 0,913
  • Diámetro Aórtico: ICC = 0,911
  • Área de la Luz Verdadera (TL): ICC = 0,947
  • Relación de la TL: ICC = 0,901
• Análisis de Subgrupos: Se mantuvo una excelente concordancia tanto en la fase preoperatoria como en la postoperatoria, así como en ambos niveles anatómicos (Th8 y Th12).
• Detección de la Remodelación: El flujo de trabajo detectó con éxito el patrón esperado de remodelación postoperatoria, específicamente un aumento significativo en el área de la TL y en la relación de la TL en el nivel Th8 (adyacente al stent distal de FET), lo cual es consistente con las expectativas clínicas.

Significado y Reivindicaciones
Los autores posicionan este trabajo como un estudio de prueba de concepto que demuestra la aplicabilidad clínica de un flujo de trabajo automatizado para evaluar la remodelación de la aorta. La importancia del estudio radica en tres contribuciones específicas:

1. Alcance Clínico: A diferencia de estudios previos centrados en la clasificación diagnóstica o la caracterización de un solo punto temporal, este flujo de trabajo está diseñado específicamente para la evaluación longitudinal de la remodelación postoperatoria tras la reparación con FET.
2. Resultado Clínicamente Familiar: El sistema traduce la compleja segmentación de IA 3D en las métricas 2D estándar (diámetro, área, relación) utilizadas por cirujanos y radiólogos en la práctica rutinaria, en lugar de producir características 3D abstractas.
3. Reproducibilidad Estandarizada: Al utilizar la proyección automatizada de puntos de referencia vertebrales, el flujo de trabajo garantiza que las mediciones se realicen en posiciones anatómicamente equivalentes a través de los distintos tiempos y pacientes, eliminando una fuente importante de variabilidad en la evaluación longitudinal manual.

Limitaciones y Trabajo Futuro
Los autores reconocen que la escala modesta del estudio (n=14) y su diseño de un solo centro son limitaciones primarias. Señalan que la precisión del flujo de trabajo está limitada por los conjuntos de datos de entrenamiento disponibles (AortaSeg24 y ImageTBOD), que carecen de características de imagen específicas relacionadas con el FET (por ejemplo, artefactos metálicos del stent). En un caso, el modelo no pudo delimitar la luz verdadera dentro de un segmento con stent debido a esta anatomía "fuera de distribución". El trabajo futuro requiere el refinamiento del modelo con conjuntos de datos multicéntricos más grandes y curados, así como la validación en diferentes plataformas de escaneo para respaldar una adopción clínica más amplia.