La tasa de 10 años de recurrencia sintomática posoperatoria de la enfermedad de Crohn, una enfermedad gastrointestinal inflamatoria crónica, se estima en 40%.
Aunque actualmente existen sistemas de puntuación para evaluar la actividad de la enfermedad de Crohn y la recurrencia posoperatoria, no se ha desarrollado ningún sistema de puntuación para predecir si la enfermedad de Crohn podría recurrir.
Utilizando una herramienta de inteligencia artificial (IA), ahora, los investigadores de la Universidad de Osaka, en Japón, han construido un modelo que predice la recurrencia posoperatoria de la enfermedad de Crohn con alta precisión mediante la evaluación de imágenes histológicas.
Precisamente, esta nueva herramienta también ha revelado diferencias no reconocidas previamente en las células adiposas y diferencias significativas en el grado de infiltración de mastocitos en la subserosa o revestimiento externo del intestino, comparando pacientes con y sin recurrencia de la enfermedad.
La herramienta también ha revelado diferencias no reconocidas previamente en las células adiposas, así como diferencias significativas en el grado de infiltración de mastocitos en la subserosa o revestimiento externo del intestino
El nuevo estudio incluyó a 68 pacientes con enfermedad de Crohn que se sometieron a una resección intestinal entre enero de 2007 y julio de 2018. Se clasificaron en dos grupos según la presencia o ausencia de recurrencia posoperatoria de la enfermedad dentro de los dos años posteriores a la cirugía. Cada grupo se dividió en dos subgrupos, uno para entrenar un modelo de IA y otro para validación.
Las imágenes de portaobjetos completos de muestras quirúrgicas se recortaron en imágenes de mosaico, se etiquetaron según la presencia o ausencia de recurrencia posquirúrgica y luego se procesaron mediante EfficientNet-b5, un modelo de IA disponible en el mercado diseñado para realizar la clasificación de imágenes.
MAYOR PRECISIÓN
Cuando se probó el modelo con imágenes sin etiquetar, los resultados indicaron que el modelo de aprendizaje profundo clasificó con precisión las imágenes sin etiquetar según la presencia o ausencia de enfermedad. Luego, se generaron mapas de calor predictivos para identificar áreas y características histológicas a partir de las cuales el modelo de aprendizaje automático podría predecir la recurrencia con alta precisión.
Las imágenes incluían todas las capas de la pared intestinal. Los mapas de calor mostraron que el modelo de aprendizaje automático alcanzó predicciones correctas en la capa de tejido adiposo subseroso. Sin embargo, en otras áreas, como la mucosa y las capas musculares propias, el modelo fue menos preciso. Las imágenes con las predicciones más precisas se extrajeron de los conjuntos de datos de prueba de los grupos de recurrencia y no recurrencia. Entre estas imágenes, los mejores resultados predictivos contenían tejido adiposo.
Debido a que el modelo de aprendizaje automático logró predicciones precisas a partir de imágenes de tejido subseroso, los investigadores plantearon la hipótesis de que las morfologías de las células adiposas subserosas diferían entre los grupos de recurrencia y no recurrencia. Las células adiposas en el grupo de recurrencia tenían un tamaño significativamente más pequeño, mayor aplanamiento y valores de distancia de centro a centro más pequeños que los del grupo sin recurrencia.
Los investigadores también plantearon la hipótesis de que las diferencias en la morfología de los adipocitos entre los dos grupos estaban asociadas con algún grado o tipo de condición inflamatoria en el tejido y descubrieron que el grupo de recurrencia tenía un número significativamente mayor de mastocitos que se infiltraban en el tejido adiposo subseroso, lo que indica que las células están asociadas con la recurrencia de la enfermedad de Crohn.