Anales de la RANM

25 A N A L E S R A N M R E V I S T A F U N D A D A E N 1 8 7 9 Martí-Bonmatí L An RANM. 2022;139(01): 23 - 30 CÁNCER DE PÁNCREAS, RADIÓMICA E INTELIGENCIA ARTIFICIAL evaluarse como "datos", deben armonizarse (Figura 1). Esta transformación pretende eliminar estos factores de confusión para armonizar la información. En el proceso se involucran tanto métodos de dominio de características (identifi- cación de características reproducibles, eliminar el ruido, redimensionar los vóxeles, normalizar la señal) como soluciones avanzadas de dominio de imágenes (técnicas de aumento de datos y transfe- rencia de estilo basada en IA para la síntesis de imágenes en un marco común). Las soluciones de aprendizaje profundo han demostrado su potencial abordando la variabilidad multicéntrica mediante redes generativas adversarias GAN, técnicas de transferencia de estilo neuronal e incluso una combinación de ambas (22-24). Segmentación tumoral El tumor que se quiere analizar debe identifi- carse y delimitarse (Figura 1). Usualmente esta anotación se realizaba a mano en un proceso costoso. Hoy en día, la segmentación tumoral se realiza mediante redes neuronales convolucio- nales (CNN) como la nnU-Net basada en aprendi- zaje profundo (25). Esta red se configura automá- ticamente para cualquier tarea nueva, minimi- zando la variabilidad asociada a la interacción humana. Como los modelos de red entrenados sobre datos de un centro pierden calidad cuando se generalizan, se ha propuesto un método de adaptación de dominio semi-supervisado para refinar su rendimiento (26). Para la segmentación del páncreas, este cambio de dominio incluyó también al páncreas como dominio fuente y al tumor como dominio objetivo. Este método de adaptación combina el aprendizaje por transfe- rencia y el autoaprendizaje guiado por incerti- dumbre, logrando una precisión muy alta con muy pocos datos para su ajuste. Esta segmenta- ción puede extenderse a los ganglios linfáticos y las metastásicas distantes. Características radiómicas El análisis computacional de la imagen digital permite extraer muchos datos de la distribu- ción de la señal (13,18). Extraer estas caracterís- ticas radiómicas tiene el peligro del sobreajustar los modelos predictivos por la maldición de la dimensionalidad. Por ello, las variables extraídas deben limitarse a las reproducibles, relevantes y no redundantes. Para reducir esta dimensio- nalidad puede emplear la selección estadística o paso-a-paso de características, algoritmos de proyecciones multivariantes como el análisis de componentes principales o la factorización de matriz no negativa restringida, y las técnicas de aprendizaje (27). Las características seleccio- nadas deben ser robustas frente a la variabi- lidad entre proveedores y centros, manteniendo las características principales y armonizando sus propiedades mediante métodos como ComBat (28) (Figura 2). Figura 1. Las imágenes de Tomografía Computarizada con contraste (TC-C) deben normalizarse y prepararse antes de la segmentación del tumor para garantizar que la extracción de características radiómicas es robusta y reproducible, e indepen- diente de tipo de equipamiento, protocolo y reconstrucción.