IA detecta la enfermedad del hígado graso a partir de radiografías de tórax
Actualizado el 04 Jul 2025
Se cree que la enfermedad del hígado graso, que resulta de la acumulación excesiva de grasa en el hígado, afecta aproximadamente a una de cada cuatro personas a nivel mundial. Si no se trata a tiempo, puede progresar a enfermedades graves como cirrosis y cáncer de hígado, lo que subraya la importancia de la detección y el tratamiento tempranos. Las herramientas de diagnóstico estándar actuales para la enfermedad del hígado graso incluyen ecografías, tomografías computarizadas (TC) y resonancias magnéticas (RM), todas las cuales requieren equipos costosos y especializados, e instalaciones especializadas.
En cambio, las radiografías de tórax son más comunes, rentables y con mínima radiación. Aunque se emplean principalmente para evaluar los pulmones y el corazón, también permiten visualizar parcialmente el hígado, lo que permite identificar signos de hígado graso. A pesar de este potencial, la relación entre las radiografías de tórax y esta afección ha sido poco estudiada en profundidad. Ahora, investigadores han creado un modelo de IA capaz de identificar el hígado graso mediante imágenes de radiografías de tórax.
En un estudio retrospectivo, un equipo de investigación de la Universidad Metropolitana de Osaka (Osaka, Japón) utilizó 6.599 radiografías de tórax de 4.414 pacientes para desarrollar su modelo de IA basado en puntuaciones del parámetro de atenuación controlada (CAP). Sus resultados, publicados en Radiology Cardiothoracic Imaging, demostraron que el modelo de IA alcanzó una alta precisión, con un área bajo la curva ROC (AUC) que oscilaba entre 0,82 y 0,83.
“El desarrollo de métodos de diagnóstico que utilicen radiografías de tórax, fácilmente accesibles y de bajo costo, tiene el potencial de mejorar la detección de la enfermedad del hígado graso. Esperamos que pueda implementarse en la práctica en el futuro”, afirmó la profesora asociada Sawako Uchida-Kobayashi, quien dirigió la investigación.
Enlaces relacionados:
Universidad Metropolitana de Osaka
