Precisión de los Modelos de Inteligencia Artificial Fundacional para la Cuantificación de Esteatosis Hepática...

Área de la Ciencia:

• Imágenes Médicas; Inteligencia Artificial; Hepatología

Sus antecedentes:

• La evaluación precisa de la esteatosis macrovesicular en biopsias de hígado de donantes es crucial para las decisiones de trasplante de hígado.; Los métodos actuales enfrentan desafíos debido a la variabilidad interobservador y a los artefactos de congelación.; La inteligencia artificial (IA) presenta una solución potencial para evaluaciones estandarizadas y reproducibles.

Objetivo del estudio:

• Evaluar el rendimiento diagnóstico de dos modelos fundacionales basados en aprendizaje autosupervisado (SSL), Prov-GigaPath y UNI.; Comparar la clasificación de la esteatosis macrovesicular en secciones de biopsia hepática congelada por los modelos de IA con las evaluaciones de los patólogos quirúrgicos.

Principales métodos:

• Un estudio retrospectivo de 131 especímenes de biopsia hepática congelada de 68 donantes.; Digitalización de portaobjetos en imágenes de portaobjetos completos y extracción de incrustaciones utilizando Prov-GigaPath y UNI.; Entrenamiento y prueba de clasificadores a nivel de portaobjetos, comparando el rendimiento de la IA con la verdad fundamental de las revisiones de patólogos expertos.

Principales resultados:

• Para la clasificación binaria (<30% vs. ≥30% de esteatosis), Prov-GigaPath logró una precisión del 96,4%, UNI del 85,7% y los patólogos del 89,3%.; Para la clasificación de 5 categorías, las precisiones fueron menores: Prov-GigaPath 57,1%, UNI 50,0% y patólogos 64,2%.; Las clasificaciones erróneas se produjeron predominantemente en categorías de esteatosis intermedias (5% a <30%).

Conclusiones:

• Los modelos de IA basados en SSL demostraron un rendimiento comparable al de los patólogos quirúrgicos para la clasificación binaria clínicamente significativa de la esteatosis.; La IA tiene potencial para estandarizar la evaluación intraoperatoria de biopsias de hígado de donantes.; Se requieren cohortes más grandes y equilibradas para la validación debido al pequeño tamaño de la muestra del estudio actual.