Aplicación del aprendizaje automático y el aprendizaje profundo en la enfermedad hepática esteatótica asociada a la...

Área de la Ciencia:

• La informática médica
• Inteligencia artificial en el cuidado de la salud
• Diagnóstico de las enfermedades hepáticas

Sus antecedentes:

• La enfermedad hepática estatótica asociada a la disfunción metabólica (MASLD) puede progresar a formas graves como la esteatohepatitis asociada a la disfunción metabólica (MASH) y la fibrosis hepática, aumentando la carga de salud global.
• Las herramientas de diagnóstico precisas y no invasivas son cruciales para evaluar el MASH y la fibrosis hepática.
• El aprendizaje automático (ML) y el aprendizaje profundo (DL) están surgiendo como poderosas herramientas de IA para el diagnóstico médico.

Objetivo del estudio:

• Revisar y comparar sistemáticamente el rendimiento diagnóstico de varios modelos ML y DL para la MASH y la fibrosis hepática asociada.
• Identificar los modelos ML y DL más eficaces para el diagnóstico de la MASH y la fibrosis hepática.

Principales métodos:

• Una revisión sistemática y un metanálisis de los estudios de las principales bases de datos (PubMed, Web of Science, Embase, Cochrane Library) hasta el 18 de mayo de 2025.
• Cálculo del área agrupada bajo la curva característica del operador receptor (AUROC), valores de precisión, especificidad, sensibilidad, valores predictivos positivos y valores predictivos negativos.
• Se incluyeron 106 estudios, de los cuales 35 proporcionaron datos para el análisis del modelo ML (n=28) y DL (n=7).

Principales resultados:

• Los AUROC agrupados para el diagnóstico de MASH: 0.833 (ML) y 0.841 (DL).
• Los modelos de mejor rendimiento para MASH son: Light Gradient Boosting Machine (LightGBM) (AUROC 0.920) para ML y ResNet50 (AUROC 0.960) para DL.
• Los AUROC agrupados para el diagnóstico de la fibrosis: 0,826 (ML) y 0,875 (DL). Categorical Boosting (CatBoost) logró el ML AUROC más alto en 0,960.

Conclusiones:

• Ambos modelos ML y DL demuestran capacidades de diagnóstico significativas para la MASH y la fibrosis hepática.
• Los modelos de aprendizaje profundo mostraron una ventaja marginal en AUROC para el diagnóstico de MASH y la fibrosis en comparación con los modelos ML.
• Las estrategias de diagnóstico impulsadas por la IA son muy prometedoras para mejorar el manejo de MASLD.