Multimodal deep learning enables precise early-versus-late ARCO stratification at the critical threshold for hip preservation in osteonecrosis of the femoral head

Resumen Técnico: Aprendizaje Profundo Multimodal para la Estratificación ARCO en la Osteonecrosis de la Cabeza Femoral

Planteamiento del Problema
La osteonecrosis de la cabeza femoral (ONCF) es una condición debilitante donde el punto crítico de decisión para el tratamiento reside entre la cirugía de preservación de la cadera (recomendada para estadios tempranos de la enfermedad, ARCO estadios 1–2) y la artroplastia total de cadera (ATC, para estadios avanzados, ARCO estadios 3–4). La estratificación precisa es particularmente desafiante en la transición de la etapa ARCO II a la IIIA, donde deben distinguirse cambios morfológicos sutiles y signos tempranos de colapso. La interpretación convencional de la RM sufre de variabilidad interobservador y una falta de objetividad, lo que potencialmente conduce a una ATC innecesaria o a intentos fallidos de preservación de la cadera. Aunque el aprendizaje profundo ha mostrado ser prometedor en la imagenología ortopédica, los estudios existentes se basan predominantemente en secuencias de RM de una sola secuencia, fallando en explotar plenamente la naturaleza complementaria de los datos de secuencias múltiples o en integrarlos con variables clínicas para un estadiaje preciso en este umbral crítico.

Metodología
Este estudio retrospectivo de centro único desarrolló y validó un marco de aprendizaje profundo multimodal para diferenciar la ONCF de etapa temprana frente a la de etapa tardía.

• Cohorte de Datos: El estudio utilizó datos de 530 pacientes (851 caderas) diagnosticados entre 2018 y 2023. El conjunto de datos incluyó RM biparamétrica (secuencias coronales STIR y T1-FSE) y parámetros clínicos (edad, sexo, lado afectado y etiología). Los datos se dividieron a nivel de paciente (relación 8:2) en un conjunto de entrenamiento (424 pacientes, 675 caderas) y un conjunto de prueba independiente (106 pacientes, 176 caderas) para evitar la fuga de datos.
• Preprocesamiento: Las imágenes se resalieron a vóxeles isotrópicos de 1×1×1 mm³, se normalizaron mediante Z-score y se sometieron a una discretización de escala de grises.
• Arquitectura del Modelo: Se construyeron siete modelos distintos utilizando un backbone DenseNet-121 preentrenado en ImageNet-1K:
  1. Modelo solo clínico.
  2. Modelos de imagen de secuencia única (solo STIR, solo T1-FSE).
  3. Modelo de RM biparamétrica (bpMRI, integrando STIR y T1-FSE).
  4. Modelos de fusión multimodal que combinan imagen con datos clínicos (STIR-clínico, T1-clínico, bpMRI-clínico).
• Estrategias de Fusión: El estudio comparó la fusión temprana (integración de modalidades al nivel de características) contra la fusión tardía (combinación de predicciones al nivel de decisión).
• Evaluación: El rendimiento se evaluó mediante AUC, precisión, sensibilidad y especificidad. Se utilizó la prueba de DeLong para comparar los AUC. La interpretabilidad del modelo se evaluó mediante el Mapeo de Activación de Clase ponderado por Gradiente (Grad-CAM).

Resultos Clave

• Superioridad de la Integración Multimodal: El modelo de fusión temprana bpMRI-clínico alcanzó el mayor rendimiento diagnóstico con un AUC de 0.944 (IC 95%: 0.905–0.973), una precisión del 90.9%, una sensibilidad del 89.0% y una especificidad del 92.9%. Este superó significativamente a todos los modelos de una sola modalidad (todos P < 0.05).
• Impacto de la Estrategia de Fusión: La fusión temprana demostró consistentemente un rendimiento superior o comparable a la fusión tardía. Específicamente, el modelo bpMRI-clínico logró un AUC de 0.944 con fusión temprana frente a 0.927 con fusión tardía.
• Contribución de la Modalidad:
  • El modelo solo clínico fue el de menor rendimiento (AUC 0.828), lo que indica que los parámetros clínicos por sí solos son insuficientes para un estadiaje preciso.
  • Los modelos de secuencia única mostraron un fuerte rendimiento (STIR: AUC 0.886; T1-FSE: AUC 0.905), pero la integración de ambas secuencias (bpMRI) mejoró aún más el AUC a 0.930, resaltando el valor complementario de STIR (sensible al edema/actividad) y T1-FSE (delimitación de límites necróticos/estructura).
• Análisis de Clasificación Errónea: En el conjunto de prueba, el modelo óptimo clasificó erróneamente 16 de 176 casos (tasa de error del 9.09%), comprendiendo 10 falsos negativos (etapa tardía clasificada como temprana) y 6 falsos positivos.
• Interpretabilidad: Las visualizaciones de Grad-CAM confirmaron que el modelo se centró en regiones clínicamente relevantes, incluyendo los límites de la lesión necrótica, las zonas de edema óseo y las anomalías estructurales subcondrales, alineándose con las características utilizadas por los radiólogos para el estadiaje ARCO.

Significancia y Reivindicaciones
Los autores afirman que este estudio presenta un marco de aprendizaje profundo multimodal interpretable que integra con éxito la RM de doble secuencia con parámetros clínicos para proporcionar evidencia objetiva para la estratificación de la ONCF. La principal significancia radica en la capacidad del modelo para diferenciar con precisión la enfermedad de etapa temprana frente a la de etapa tardía en la transición crítica de los estadios ARCO II/III, un punto donde las decisiones de tratamiento son más trascendentales. Al demostrar que la fusión temprana de la RM biparamétrica y los datos clínicos produce una mayor precisión que los enfoques de secuencia única o solo clínicos, el estudio sugiere que tales marcos pueden reducir la variabilidad interobservador y apoyar una toma de decisiones más precisa para la preservación de la cadera frente a la artroplastia. Los autores enfatizan que, si bien el modelo mejora las métricas estadísticas, su verdadero valor reside en reflejar la lógica clínica del estadiaje de la ONCF para servir como una herramienta inteligente de apoyo a la decisión.

Limitaciones
Los autores reconocen las limitaciones del estudio, incluyendo su diseño retrospectivo, un tamaño de muestra relativamente limitado a pesar de la aumentación de datos, y la falta de validación externa en cohortes multicéntricas prospectivas con diversos escáneres de RM. Señalan que la generalizabilidad requiere confirmación adicional y sugieren que trabajos futuros deberían explorar otras modalidades (TC, biomarcadores) y realizar análisis detallados de subgrupos en el límite de estadiaje crítico.