Aplicación del procesado de imágenes de ecografía a la clasificación de lesiones y quistes de ovario

Resumen

1. INTRODUCCIÓN: Desde el inicio del uso de la ecografía como técnica para el diagnóstico de la patología anexial se ha intentado buscar una correlación entre la imagen ecográfica y el tipo histológico. Han existido numerosos sistemas de puntuación, descritos en la literatura por distintos autores. Algunos autores concluyen con la afirmación de que el reconocimiento de determinados patrones ultrasónicos por ecografistas expertos es un método lo suficientemente reproducible y efectivo para la caracterización de masas anexiales. Sin embargo incluso para ecografistas expertos sigue habiendo un porcentaje de casos difíciles de reconocer, lo que se traduce en intervenir la masa que no es necesario operar porque puede desaparecer espontáneamente con la consiguiente morbimortalidad que conlleva una cirugía innecesaria, o bien no intervenir masas que pueden complicarse o incluso ser malignas. Mujeres mayores con patología asociada pueden ser intervenidas sin necesidad aumentando la morbimortalidad, y mujeres jóvenes intervenidas de masas anexiales pueden ver comprometida su fertilidad futura. 2. OBJETIVOS: Por ello planteamos otras aproximaciones diagnósticas a las imágenes ecográficas del ovario. Específicamente analizamos un sistema de ayuda al diagnóstico (CAD) en forma de programa informático que cuantifica las propiedades de la masa mediante la aplicación de estimadores matemáticos. Nuestra hipótesis de trabajo es determinar si se puede de anticipar la anatomía patológica definitiva de un tumor (benigno o maligno) ovárico en base a estimadores matemáticos elaborados sobre imágenes ecográficas estandarizadas. General: Desarrollar una metodología diagnóstica basada en la integración de la ecografía transvaginal y estimadores matemáticos que permitan una mayor fiabilidad diagnóstica en las masas anexiales. Específicos, son los siguientes: 1. Realizar un estudio descriptivo de las masas anexiales como patología ginecológica y en la muestra de pacientes analizadas. 2. Evaluar los fundamentos e interés de la aplicación de un sistema de ayuda al diagnóstico (Computer-Aided Diagnosis, CAD) implementado como programa de procesado de imágenes de ecografía transvaginal de patología anexial. 3. Aplicar, mediante procesado digital, un conjunto de parámetros que cuantifican propiedades visibles y no visibles de la imagen ecográfica a la muestra de casos analizados, clasificados según su aspecto ecográfico y su histología. 4. Determinar si alguno/s de los parámetros (estimadores) calculados mediante el programa CAD y sus combinaciones pueden diferenciar los distintos subtipos de masas anexiales según su clasificación ecográfica y/o histológica. 5. Relacionar los valores numéricos de los estimadores de interés diagnóstico con las características clínicas de las masas anexiales según su clasificación ecográfica e histológica. 6. Determinar si una combinación de parámetros (estimadores de imagen) calculados mediante el programa CAD puede permitir clasificar los tipos histológicos dentro de cada subtipo ecográfico 7. Evaluar la facilidad de uso, tiempo de aprendizaje requerido y otros aspectos prácticos del referido programa CAD. 3. MATERIAL Y MÉTODOS Se realiza un estudio prospectivo en el Hospital San Juan de Dios del Aljarafe (HSJDA) de Sevilla, que es un hospital comarcal que abarca una población de 283.724 habitantes en el área del Aljarafe de la provincia de Sevilla. Se incluyen a todas las mujeres intervenidas por cirugía abierta o laparoscopia por sospecha de patología anexial en a las que se hubiera realizado una ecografía transvaginal previa según el protocolo de exploración, durante el periodo comprendido entre octubre de 2009 a octubre de 2011. Consideramos cada masa anexial un caso e introducimos los datos demográficos, clínicos y ecográficos de cada caso en un programa Acces®. El diagnóstico final se hace con la clasificación histológica de la pieza quirúrgica según los criterios de la OMS (Organización Mundial de la Salud). Con el fin de agrupar los múltiples patrones ecográficos y tipos histológicos de las lesiones analizadas en conjuntos más reducidos de grupos basados en características comunes, se definen dos ¿escalas¿ de clasificación de las imágenes: una, denominada ¿escala de clasificación ecográfica (ECE)¿ teniendo en cuenta únicamente su aspecto visual y otra, denominada ¿escala histológica reducida (EHR)¿, teniendo en cuenta las características ecográficas, morfológicas y clínicas de las lesiones. Posteriormente procesamos la imagen ecográfica más representativa de cada caso con un programa de ayuda al diagnóstico (computer-aided diagnosis, CAD) que ha sido desarrollado sobre el software de Matlab®. Esta aplicación nos permite elaborar a partir de unos ficheros de entrada, que son nuestras imágenes ecográficas (en formato jpg o bmg), otros archivos de salida en formato Excel® que contendrán los datos resultantes del procesado. Una vez realizado el procesado nos encontramos con dos ficheros distintos, uno Access® que constituye la base de datos clínica y uno Excel® con el resultado de los estimadores. La fusión de estos dos ficheros en un nuevo fichero Excel®, constituye los resultados globales Los estimadores que se calculan son un total de 128. De ellos, 93 cuantifican propiedades del interior de la imagen de la lesión y 36 de su contorno. Para el análisis estadístico demográfico de la muestra de pacientes el tratamiento de datos se realizó mediante el paquete estadístico Statistical Package for the Social Sciences (SPSS) v. 15.0 (SPSS Inc, Chicago, IL) y para el análisis estadístico de los resultados de los estimadores el tratamiento de datos se realizó mediante el módulo de Estadística del programa Matlab R2009 (The Mathworks SL, Natik, MA). Como no pueden asumirse hipótesis de normalidad en la distribución de los valores resultados de la aplicación de los estimadores a las imágenes procesadas, es preciso utilizar tests de estadística no paramétrica para analizarlos. Específicamente, se han implementado algoritmos de aplicación del análisis de Kruskal-Wallis que permiten la comparación entre múltiples grupos, para comparar los valores obtenidos de cada estimador para cada uno de los diferentes grupos considerados en las dos clasificaciones. Consideramos estimadores de interés aquellos que diferencien entre sí los tres grupos ecográficos o los siete subgrupos histológicos o bien a aquellos que agrupen dos grupos entre sí y lo diferencien de un tercero. Todas estas diferencias entre grupos deben ser estadísticamente significativas (p <0,01) 4. RESULTADOS Se realiza un estudio descriptivo de la muestra analizada y un análisis bivariante para intentar relacionar algunas variables clínicas y/o ecográficas entre sí, con algunos resultados estadísticamente significativos que coinciden con los descritos en la literatura. La clasificación ecográfica reducida divide las masas anexiales según la ecogenicidad predominante en tres grupos (A, B y C). En nuestro estudio tenemos un total de 128 masas de las cuales 38 pertenecen al grupo A, 73 al B y 17 al C. De un total de 128 masas anexiales hay 9 en el grupo 1 de carcinomas, 10 en el grupo 2 de quistes simples, 51 en el grupo 3 de quistes hemorrágico, 22 en el grupo 4 de quistes sólido, 11 cistoadenomas mucinosos o grupo 5, 22 cistoadenomas serosos o grupo 6 y 3 abscesos o grupo 7. Un total de 30 estimadores fueron considerados útiles. Esta potencial ¿utilidad¿ se basa en la significación estadística de la separación que proporcionan, visualizada en las gráficas de cajas que los representan y en su aplicabilidad clínica. Estimadores útiles para diferenciar los tres subgrupos ecográficos entre sí (escala de clasificación ecográfica): E1, E2, E9, E21, E25, E26, E29, E76, E78, E79, E92, E106, E107, E117, E120, E121, E125, E126, E127 y E134. El E23 y el E60 diferencian el subgrupo A del B y del C. Estimadores útiles para diferenciar los siete subgrupos histológicos entre sí (escala histológica reducida): E73, E101, E120, E121, E125 y E127 diferencian a todos los subgrupos histológicos entre sí y son estadísticamente significativos. El E50 y el E77 agrupan al 3 y al 4 y los diferencian del resto. Algoritmos de clasificación basados en los estimadores anteriores: para cada escala podemos combinar varios de sus estimadores de interés y construir un algoritmo de clasificación de las lesiones más potente que la aplicación de un único estimador individual. Esto permite utilizar aquellos estimadores que diferencian un grupo de otros o varios grupos del resto, pero que no sirven para diferenciar la totalidad de los grupos entre sí. De este modo podemos utilizar inicialmente al estimador 23 o al 60 de la clasificación ecográfica para diferenciar al subgrupo A de los otros dos. Si está dentro de A ya sabemos la clasificación y si no, habría que aplicar cualquiera de los estimadores útiles para clasificar las masas anexiales en función de las características ecográficas (E1, E2, E9, E21, E25, E26, E29, E76, E78, E79, E92, E106, E107, E117, E120, E121, E125, E126, E127 y E134), según los valores la masa pertenecerá al grupo B o al C. Sabemos, según nuestros resultados, que dentro de las A pueden estar incluidos los grupos histológicos 2, 3, 4, 5 y 6. Dentro de las B puede estar incluido cualquiera de los siete subgrupos histológicos. Dentro de las C pueden estar el 3,4 y 6. Si sabemos de antemano que están dentro del grupo A se pueden aplicar primero los estimadores E50 ó E77 para ver si pertenecen al grupo 3 ó 4, si no sabemos que estarán en el grupo 2, 5 ó 6. Para saber en cuál de ellos en concreto están aplicaremos cualquiera de los estimadores que diferencian a todos los subgrupos entre sí (E73, E101, E120, E121, E125 y E127). Dentro del subgrupo B habrá que aplicar cualquiera de los estimadores que diferencian a todos los subtipos histológicos entre sí (E73, E101, E120, E121, E125 y E127). Si sabemos que está dentro del grupo C podremos aplicar también en un primer tiempo los estimadores E50 ó E77, si no está dentro de los valores de la agrupación de los subtipos 3 y 4, ya sabemos que pertenece al grupo 6. Si está dentro de los valores del grupo 3 y 4, para saber si pertenece al 3 ó al 4 utilizaremos de nuevo los estimadores diferenciadores de todos los subtipos entre sí (E73, E101, E120, E121, E125 y E127). 5. DISCUSIÓN Concluimos así que el E23 y el E60 que diferencian a A de B y C y los 20 estimadores (E1, E2, E9, E21, E25, E26, E29, E76, E78, E79, E92, E106, E107, E117, E120, E121, E125, E126, E127 y E134), que diferencian los tres subgrupos ecográficos entre sí podrían ser utilizados por un ecografista no experto. De este modo una masa anexial clasificada por el E23 o el E60 dentro del subgrupo A no reviste en principio riesgo. Pero una B debería ser reevaluada por un ecografista experto, ya que, entre otros, están incluidos el 100% de las neoplasias y los abscesos. Por lo tanto puede ser un criterio de derivación para que se realice la ecografía en un centro de especialidades o en el hospital de referencia. Hemos encontrado 6 estimadores que diferencian entre sí a los siete subgrupos histológicos (E73, E101, E120, E121, E125 y E127) y que pueden ser de utilidad, y dos (E50, E77) que agrupan endometrioma/quiste hemorrágico con teratoma/fibrotecoma y los diferencian del resto. Estos estimadores útiles para la clasificación histológica resultarían ya más útiles en manos de un ecografista experto, ya que sabemos que el mejor método para diagnosticar una masa anexial sigue siendo la ecografía transvaginal realizada por un observador con experiencia basándose en criterios morfológicos, pero que un 10% de las masas anexiales pueden dar lugar a dudas, entre ellas los cistoadenomas mucinosos y serosos, así como los cistoadenofibromas que suelen ser responsables de falsos positivos con frecuencia. En manos del ecografista que duda, la aplicación del software con los estimadores que diferencian entre sí los subgrupos histológicos podría resultar un arma diagnóstica adicional. Con la aplicación del software previamente descrito para establecer los tres patrones ecográficos los resultados serían mucho más objetivos y, a diferencia de otros modelos matemáticos o de regresión logística, no dependerían de las diferencias en la población estudiada, definiciones inconsistentes de determinados patrones ecográficos, ni de la gran variedad de apariencias morfológicas de tumores del mismo tipo histológico. También sería de gran utilidad para reducir la diferencia interobservadores. No obstante el valor clínico de estos resultados necesitaría ser validado prospectivamente en nuevas series de masas anexiales y con mayor número de casos representativos para cada subgrupo histológico. Por otro lado las masas no intervenidas no han sido incluidas en el estudio, ya que la técnica gold standard se ha considerado el resultado de anatomía patológica, esto excluye de nuestro estudio a muchos quiste simples que hubieran aumentado la n del subgrupo ecográfico 2 y nos hubiera permitido aumentar la potencia estadística. Es interesante observar como los estimadores del interior (estadísticos, energéticos, geométricos, frecuenciales y morfológicos) han sido los que muestran una mayor potencia estadística a la hora de diferenciar los distintos subtipos ecográficos entre sí. Esto tiene sentido ya que en las masas anexiales, a diferencia de otros nódulos como los de mama, ecográficamente resulta más interesante la diferenciación del interior que del contorno. 6. CONCLUSIONES 1. Se ha realizado un estudio descriptivo de las masas anexiales como patología ginecológica en una muestra con un total de 128 casos intervenidos. Estas pacientes se han clasificado en dos escalas diferentes y complementarias: Escala ecográfica (ECE): con 3 subtipos A o principalmente anecoico, B o principalmente isoecoico y C o principalmente hiperecoico. Dentro del subgrupo A se han clasificado 37 masas, 74 dentro del B y 17 dentro del C. Escala histológica reducida (EHR) con siete subtipos: 1. Carcinoma: 9 casos 2. Quiste simple de ovario y/o paraovario y pseudoquiste: 10 3. Quiste hemorrágico funcional y endometrioma: 51 4. Teratoma y fibrotecoma: 22 5. Cistoadenoma mucinoso: 11 6. Cistoadenoma seroso: 22 7. Absceso: 3 Se ha realizado también un estudio descriptivo valorando parámetros demográficos, clínicos y ecográficos de la muestra estudiada y se ha correlacionado con lo descrito en la literatura. 2. Se han evaluado los fundamentos e interés de la aplicación de un sistema de ayuda al diagnostico (Computer-Aided Diagnosis, CAD) implementado como programa de procesado de imágenes de ecografía transvaginal de patología anexial. Se han aplicado, mediante procesado digital, un conjunto de parámetros que cuantifican propiedades visibles y no visibles de la imagen ecográfica a la muestra de casos analizados, clasificados según su aspecto ecográfico y su histología. Se han aplicado un total de 128 estimadores que cuantifican propiedades morfológicas, estadísticas, frecuenciales, geométricas y de contorno de las masas anexiales. 3. Se han encontrado los siguientes estimadores que permiten diferenciar los distintos subtipos de masas anexiales Según su clasificación ecográfica: E1, E2, E9, E21, E25, E26, E29, E76, E78, E79, E92, E106, E107, E117, E120, E121, E125, E126, E127, E134 que diferencian a los tres subgrupos entre sí. Y E23 y E60 que diferencian al subgrupo A del B y del C. Según su clasificación histológica reducida: E73, E101, E120, E121, E125, E127 que diferencian a los siete grupos entre sí. Y E50 y E77 que agrupan al grupo 3 con el 4 para diferenciarlos del resto. Las fórmulas específicas de cálculo de cada estimador están detalladas en la documentación de las patentes registradas. 4. Se han relacionado los valores numéricos de los estimadores de interés diagnóstico con las características clínicas de las masas anexiales según su clasificación ecográfica e histológica. 5. Se han elaborado un conjunto de algoritmos de clasificación que combinan varios estimadores y las dos escalas para permitir la identificación del tipo histológico dentro de los subtipos ecográficos. 6. Se ha evaluado la facilidad de uso, tiempo de aprendizaje requerido y otros aspectos prácticos del referido programa CAD. Se trata de un programa fácil de aplicar, cómodo para el ecografista y que no requiere mucho tiempo para su aprendizaje ni para su uso. Sobre todo puede ser considerado de interés como arma diagnóstica en ecografistas no expertos para preclasificar las masas que deberían ser derivadas a un ecografista experto. Y también como un arma adicional para los ultrasonografistas expertos en las masas anexiales que generen dudas diagnósticas.