Early Diagnosis of Ischemic Stroke on Non-Contrast CT Scans Using a Convolutional Neural  Network: A Case Study from Mulago National Referral Hospital, Uganda

Resumen Técnico: Diagnóstico Temprano de Ictus Isquémico en Tomografías Computarizadas Sin Contraste Mediante una CNN en Uganda

Planteamiento del Problema
En los países de ingresos bajos y medios (PIBM), particularmente en Uganda, el diagnóstico del ictus isquémico se retrasa frecuentemente debido a la escasez de radiólogos especialistas. Si bien la tomografía computarizada sin contraste (TCC) es la modalidad de imagen más disponible para sospecha de ictus, la detección de cambios isquémicos tempranos en estas exploraciones es un desafío y suele requerir una interpretación experimentada. En hospitales públicos como el Hospital Nacional de Referencia Mulago, los retrasos en la notificación de tres a cinco días son comunes, ya que los radiólogos priorizan los traumatismos y otras emergencias. Las soluciones de diagnóstico asistido por computadora existentes a menudo dependen de imágenes avanzadas (por ejemplo, perfusión por TC o angiografía) no disponibles en entornos con recursos limitados, o no proporcionan interfaces de punto de atención utilizables por personal no técnico.

Metodología
Este estudio empleó un diseño de precisión diagnóstica retrospectiva para desarrollar y validar una Red Neuronal Convolucional (CNN) para la detección temprana de ictus isquémico utilizando exclusivamente exploraciones de TCC sin contraste de la Universidad Nacional de Referencia Mulago.

• Conjunto de Datos: El estudio utilizó 1,000 exploraciones de TCC anonimizadas (500 ictus isquémicos confirmados, 500 controles) recopiladas entre enero de 2022 y junio de 2023. Las imágenes fueron seleccionadas de un total de 1,450 exploraciones tras excluir aquellas con artefactos de movimiento, series incompletas o metadatos corruptos.
• Anotación: Tres radiólogos con más de cinco años de experiencia en neuroimagen anotaron de forma independiente las 500 exploraciones con ictus positivo, centrándose en signos tempranos como la hipoatenuación, la efusión de los surcos y la pérdida de la diferenciación entre la sustancia gris y la blanca. La fiabilidad interobservador fue sólida (κ de Cohen = 0.83), y las discrepancias se resolvieron mediante consenso para crear el estándar de referencia.
• Preprocesamiento: El flujo de trabajo incluyó la normalización de la intensidad, el cambio de tamaño a dimensiones estandarizadas y la aumentación de datos (rotaciones, traslaciones, giros). Las características cuantitativas extraídas incluyeron métricas de intensidad, descriptores de forma y características de textura derivadas de las propiedades de la Matriz de Coocurrencia de Niveles de Gris (GLCM).
• Arquitectura del Modelo: Se desarrolló una CNN 2D en PyTorch para analizar cortes individuales. La arquitectura consistió en capas de convolución y agrupación para la extracción de características, seguidas de capas totalmente conectadas y una salida softmax. Las técnicas para prevenir el sobreajuste incluyeron el dropout, la regularización L2 y la normalización por lotes. El modelo fue entrenado utilizando el optimizador Adam durante 100 épocas con aceleración por GPU.
• Estrategia de Evaluación: El rendimiento se evaluó mediante validación cruzada de cinco pliegues (80% entrenamiento, 20% prueba). Además, se realizó un análisis comparativo en un subconjunto independiente estrictamente reservado de 30 casos (15 ictus, 15 no ictus) frente a un radiólogo consultor sénior.
• Despliegue: Se desarrolló una interfaz basada en la web utilizando un backend de Flask (frontend de HTML/CSS/JavaScript) para permitir la carga segura de archivos DICOM, JPEG o PNG y mostrar los resultados de la inferencia automatizada.

Resultados Clave

• Rendimiento del Modelo: A través de la validación cruzada de cinco pliegues, la CNN alcanzó una precisión media del 90.2% (±1.8), una sensibilidad del 91.4% (±1.7), una especificidad del 89.0% (±2.1) y un Área Bajo la Curva (AUC) del 91.3% (±1.7). El rendimiento se mantuvo estable a través de los pliegues de validación.
• Comparación con Radiólogos: En el subconjunto independiente de 30 casos, el radiólogo sénior alcanzó una sensibilidad del 100% y una especificidad del 95%, sin omitir ningún caso. La CNN alcanzó un 86.7% de sensibilidad y un 88.7% de especificidad, omitiendo dos casos de ictus. El análisis estadístico (prueba de McNemar) indicó que la diferencia en el rendimiento diagnóstico no fue estadísticamente significativa (p = 0.21).
• Eficiencia: El diferenciador más significativo fue el tiempo de procesamiento. La CNN procesó las exploraciones en aproximadamente 3 segundos por caso, en comparación con los 5 minutos requeridos para la interpretación manual de un radiólogo.
• Funcionalidad de la Plataforma: La interfaz basada en la web demostró con éxito la capacidad de cargar exploraciones, realizar análisis automatizados y generar resultados en cuestión de segundos en un entorno hospitalario simulado.

Contribuciones Clave

1. Modelo Entrenado Localmente: El estudio presenta una CNN entrenada exclusivamente con datos de un hospital nacional de referencia de Uganda, abordando las características específicas de imagen y las limitaciones de recursos de la región.
2. Dependencia de Imágenes de Rutina: A diferencia de muchos modelos de IA para ictus avanzados, este sistema opera únicamente con exploraciones de TC sin contraste, la modalidad más accesible en los PIBM, en lugar de requerir perfusión o angiografía.
3. Despliegue Integrado: La investigación va más allá de los algoritmos experimentales al entregar una plataforma funcional basada en el navegador con una API RESTful, diseñada para ser utilizada por personal sanitario no técnico.
4. Validación en un Contexto de Recursos Limitados: El estudio valida que es posible lograr un alto rendimiento diagnóstico en entornos con limitada experiencia radiológica, ofreciendo una herramienta potencial para el triaje rápido.

Significancia y Reivindicaciones
Los autores afirman que el sistema integrado ofrece una precisión diagnóstica comparable a la de un radiólogo sénior, proporcionando resultados significativamente más rápidos. El estudio sugiere que tal plataforma tiene un potencial prometedor para apoyar el triaje de ictus y reducir los retrasos en el diagnóstico en entornos donde la escasez de radiólogos especialistas es crítica. Los autores enfatizan que el sistema aborda el cuello de botella crítico del diagnóstico tardío en la atención de urgencias.

Sin embargo, el artículo mantiene un tono modesto respecto a su impacto actual. Los autores declaran explícitamente que la plataforma aún no ha pasado por un despliegue clínico real y que solo fue probada en un entorno simulado con datos anonimizados. Reconocen limitaciones que incluyen la naturaleza unicéntrica de los datos, la falta de características de interpretabilidad visual (por ejemplo, mapas de calor) y la ausencia de retroalimentación estructurada de los usuarios finales. En consecuencia, los autores concluyen que es necesaria una validación multicéntrica adicional y una implementación piloto en el mundo real antes de que se pueda recomendar su despliegue a gran escala.