Radiomics and Artificial Intelligence as Innovative Tools in the Assessment of Spinal Cord Injuries: Development of a Predictive Model Using Magnetic Resonance Imaging

Abstract

Radiomics e inteligencia artificial como herramientas innovadoras en la evaluación de lesiones medulares: desarrollo de un modelo predictivo en imágenes por resonancia magnética

Radiomics and Artificial Intelligence as Innovative Tools in the Assessment of Spinal Cord Injuries: Development of a Predictive Model Using Magnetic Resonance Imaging

Introducción:
Las lesiones medulares representan un desafío diagnóstico y pronóstico en la práctica clínica, debido a su heterogeneidad y la limitada capacidad de las técnicas convencionales de imagen para caracterizar completamente el tejido lesionado. La radiomica, combinada con algoritmos de inteligencia artificial (IA), surge como una estrategia prometedora para extraer características cuantitativas de las imágenes por resonancia magnética (RM) que pueden aportar información objetiva para la toma de decisiones clínicas.

Objetivo:
Desarrollar y validar un modelo predictivo basado en radiomics e IA para la caracterización de lesiones medulares en imágenes de RM, con potencial aplicación en entornos clínicos para apoyar el manejo integral del paciente.

Metodología:
Estudio retrospectivo en pacientes con diagnóstico confirmado de lesión medular atendidos en el Instituto Nacional de Rehabilitación. Se incluyeron imágenes de RM ponderadas en T1 y T2, a partir de las cuales se realizó la segmentación manual de las áreas lesionadas. Se extrajeron características radiomics de primer y segundo orden mediante software especializado y se seleccionaron las variables más relevantes utilizando análisis de componentes principales y selección recursiva de atributos. Posteriormente, se entrenaron algoritmos de aprendizaje automático (Random Forest y Support Vector Machine) para clasificar las lesiones según su evolución clínica (mejoría, estabilidad o deterioro). El rendimiento del modelo se evaluó mediante curvas ROC y validación cruzada de las imágenes de 10 pacientes.

Resultados:
El modelo basado en Random Forest presentó la mejor precisión global (AUC=0.91), sensibilidad del 87% y especificidad del 85% para predecir la evolución clínica de las lesiones medulares. Las características texturales relacionadas con la heterogeneidad del tejido fueron las de mayor peso en la clasificación.

Conclusiones:
La integración de radiomics e IA permite desarrollar modelos predictivos con alta precisión para la caracterización de lesiones medulares en RM. Esta tecnología podría convertirse en una herramienta complementaria en la práctica clínica, especialmente en instituciones públicas y privadas donde se busca optimizar la rehabilitación y el pronóstico funcional de los pacientes.

Palabras clave:
Radiomics; inteligencia artificial; resonancia magnética; lesión medular; modelo predictivo; análisis de texturas.

Keywords:
Radiomics; artificial intelligence; magnetic resonance imaging; spinal cord injury; predictive model; texture analysis..