Ciertas características morfológicas de las queratosis actínicas (QA) se consideran predictivas del desarrollo de un carcinoma escamoso invasivo. En ello se basa la categorización en puntuaciones PRO I-III, que representan tres niveles de riesgo
para el riesgo de progresión de las lesiones de QA. Un estudio publicado en 2023 muestra que una clasificación automatizada de la puntuación PRO apoyada en IA y basada en datos de imágenes LC-OCT tiene potencial para facilitar el diagnóstico y el seguimiento de la QA en el futuro.
Uno de los objetivos del estudio de Thamm et al. fue entrenar redes neuronales convolucionales para poder utilizarlas en la segmentación epidérmica automatizada en conjuntos de datos de imágenes de tomografía de coherencia óptica confocal de campo lineal (LC-OCT) con el fin de realizar una evaluación en tiempo real de la patología epidérmica y dérmica de las lesiones de QA [1]. Las QA se consideran carcinomas de células escamosas in situ, que pueden convertirse en carcinomas de células escamosas (CCE) cutáneos invasivos. La estimación del riesgo de progresión de las lesiones de QA mediante imágenes LC-OCT ofrece ventajas sobre la histología convencional, ya que se trata de un procedimiento no invasivo y de alta tecnología. Macroscópicamente, las lesiones de QA aparecen como manchas de color rosa a marrón en las zonas de la piel expuestas al sol y suelen ir acompañadas de hiperqueratosis [2]. Mientras que en la QA la atipia de los queratinocitos se limita a la epidermis, en cambio, en el CCE puede observarse la pérdida de la unión dermoepidérmica (DEJ), que define su proliferación invasiva [3]. Aunque la DEJ permanece intacta en las lesiones de QA, sus patrones de crecimiento basal cambian en el curso del proceso de transformación maligna [4]. Evaluar qué QA tienen un alto riesgo de desarrollar una transformación maligna es cada vez más importante. Por lo tanto, se desarrolló una clasificación histológica con la puntuación PRO, que clasifica las QA en función de los cambios en el área de proliferación basal [4,5]. Las lesiones AK PRO III se asocian a un mayor riesgo de desarrollar un CCE invasivo que las lesiones PRO II o PRO I.
Análisis de material gráfico mediante un enfoque de aprendizaje profundo
El material de imagen de la tomografía de coherencia óptica confocal de campo lineal (LC-OCT) [1,5] sirve de base para la puntuación PRO I-III (Fig. 1). La LC-OCT permite examinar un cambio en la piel sospechoso de ser un tumor sin tener que tomar una muestra de tejido invasiva. Las siguientes características son decisivas para clasificar el riesgo de transformación:
- PRO I: Acumulación de queratinocitos atípicos en la capa de células basales
- PRO II: protuberancias epidérmicas en la dermis papilar superior más finas que la epidermis suprayacente
- PRO III: proliferaciones epidérmicas profundas de queratinocitos atípicos que se extienden más profundamente en la dermis de lo que la epidermis es gruesa
Una evaluación manual de la puntuación PRO puede verse distorsionada por la valoración subjetiva del examinador. Esta fuente de error se reduce con la cuantificación automática asistida por IA. Los conjuntos de datos de imágenes tridimensionales de la epidermis y la dermis superior generados por la LC-OCT tienen una mayor resolución que la tomografía de coherencia óptica (OCT) convencional y es posible una mayor profundidad de penetración en comparación con la microscopía láser confocal [6]. Las redes neuronales convolucionales (CNN) -las arquitecturas de aprendizaje profundo más utilizadas en la actualidad- se emplean para el análisis automatizado de datos visuales [7]. UNet es una arquitectura desarrollada por CNN específicamente para la segmentación de imágenes biomédicas. En el estudio de Thamm et al. Dichas CNN se entrenaron para segmentar imágenes LC-OCT de piel sana y lesiones de QA [1]. El entrenamiento de la CNN se basó en una base de datos de imágenes LC-OCT de sección vertical adquiridas con un dispositivo LC-OCT (deepLive™ DAMAE Medical, París, Francia ) en voluntarios con piel sana y en pacientes con QA [1]. De acuerdo con el patrón oro histopatológico, se desarrollaron modelos de puntuación PRO, se entrenaron en 237 imágenes LC-OCT-AK y se probaron en 76 imágenes, comparando la puntuación PRO calculada por la IA con el consenso visual de los expertos en diagnóstico por imagen mediante el coeficiente Cohen-Kappa ponderado lineal con un intervalo de confianza (IC) del 95%. Los análisis estadísticos se realizaron con la biblioteca SciPy de Python [1].
Alto grado de acuerdo entre la IA y los expertos
El juicio de referencia ciego para la evaluación de la puntuación PRO de las 76 imágenes del conjunto de prueba fue el consenso de dos dermatólogos y un residente [1]. Los resultados más importantes de un vistazo:
La cuantificación automática de la puntuación PRO basada en IA derivada del índice de ondulación y la profundidad máxima de la protrusión coincidió con la categorización visual realizada por los expertos en el 75% (57/76) de los casos con una kappa ponderada estadísticamente significativa κ=0,60 (p=6×10-8 <0,001, 95%-KI=[0,43, 0,77]). Esto eliminó la posibilidad de una coincidencia aleatoria entre la categorización basada en la IA y la visual, lo que indica que el entrenamiento del algoritmo fue eficaz y cercano al consenso de los expertos.
La evaluación basada en la IA de la puntuación PRO se correlacionó mejor con la puntuación visual para PRO II (84,8%), seguida de PRO III (69,2%) y PRO I (66,6%). Las interpretaciones erróneas se debieron sobre todo al sombreado de la DEJ y a rasgos perturbadores como los folículos pilosos y afectaron al 25% de los casos. En general, el IA sobrestimó las protrusiones en el 14,5% (11/76) de los casos, mientras que en el 10,5% (8/76) se subestimaron. Con respecto a PRO I, el 10/30 fue sobrevalorado como PRO II. Para PRO II, 4/33 fueron subestimados como PRO I, mientras que 1/33 fueron asignados a PRO III. En PRO III, 3/13 fueron clasificados incorrectamente como PRO I y 1/13 como PRO II
En conjunto, los resultados del estudio sugieren que las CNN son útiles para la cuantificación automática de la puntuación PRO en conjuntos de datos de imágenes LC-OCT y pueden utilizarse para la evaluación no invasiva del riesgo de proliferación en el diagnóstico y seguimiento de la QA, según los autores del estudio [1].
Resumen
- Se entrenaron redes neuronales convolucionales (CNN) para segmentar imágenes LC-OCT de piel sana y QA.
- Los modelos de puntuación PRO se entrenaron en un subconjunto de 237 imágenes LC-OCT-AK y se probaron en 76 imágenes, comparando la puntuación PRO calculada por la IA con el consenso visual de los expertos en diagnóstico por imagen.
- Se encontró una concordancia significativa entre la categorización basada en la IA y la evaluación de expertos en el 75% de los casos.
Literatura:
- Thamm JR, et al: [Determinación basada en inteligencia artificial de la puntuación PRO en queratosis actínicas a partir de conjuntos de datos de imágenes LC-OCT: Artificial intelligence-based PRO score assessment in actinic keratoses from LC-OCT imaging Usingen Convolutional Neural Networks]. J Dtsch Dermatol Ges 2023; 21(11): 1359-1368.
- Schmitz L, Oster-Schmidt C, Stockfleth E: Cáncer de piel no melanoma: de la queratosis actínica al carcinoma cutáneo de células escamosas. J Dtsch Dermatol Ges 2018; 16(8): 1002-1013.
- Cockerell CJ: Histopatología del carcinoma intraepidérmico incipiente de células escamosas (“queratosis actínica”). J Am Acad Dermatol 2000; 42(1Pt 2): 11-17.
- Schmitz L, et al. Los carcinomas escamosos cutáneos se asocian a queratosis actínicas proliferantes basales. Br J Dermatol 2019; 180(4): 916-921.
- Schmitz L, et al: Las queratosis actínicas muestran patrones de crecimiento basal histológico variables – una propuesta de ajuste de la clasificación. J Eur Acad Dermatol Venereol 2018; 32(5): 745-751.
- Ruini C, et al: Evaluación LC-OCT in vivo del patrón de proliferación descendente de los queratinocitos en la queratosis actínica en comparación con la histología: primeras impresiones de un estudio piloto. Cancers (Basilea) 2021; 13(12).
- Yamashita R, et al: Redes neuronales convolucionales: una visión general y aplicación en radiología. Insights Imaging 2018; 9(4): 611-629.
PRÁCTICA DERMATOLÓGICA 2024; 34(2): 21-22
