Utilidad de modelos radiómicos explicables en la TC urgente para la diferenciación de abscesos cerebrales y glioblastomas

Resumen

Determinar el valor diagnóstico de modelos de aprendizaje automático basados en radiómica sobre TC craneal, con especial énfasis en la interpretabilidad de los resultados, para discriminar entre abscesos cerebrales (AB) y glioblastomas (GBM) en el entorno de Urgencias. Estudio retrospectivo unicéntrico que incluyó 52 pacientes con diagnóstico anatomopatológico (26 AB y 26 GBM). Para asegurar la comparabilidad, se seleccionaron los GBM más semejantes a AB tras revisar 576 casos por cinco radiólogos. Las imágenes de TC fueron segmentadas manualmente, interpoladas a 1 mm y procesadas con Synapse3D y 3D Slicer para extraer 107 características radiómicas (forma, primer orden, textura: GLCM, GLDM, GLRLM, GLSZM, NGTDM). Se aplicó reducción de variables basada en correlación (ρ=0,65). Se entrenaron y validaron tres clasificadores (Random Forest, Explainable Boosting Machine, XGBoost) con validación cruzada estratificada. Se evaluaron la exactitud y el AUC, y se emplearon valores SHAP para interpretación. Los tres modelos presentaron resultados consistentes: exactitud media de 0,73 (RF), 0,77 (EBM) y 0,71 (XGBoost); AUC de 0,82, 0,82 y 0,75, respectivamente. ZonePercentage fue la variable más discriminativa (menor en AB). MaximumProbability (RF) y Dependence Entropy (EBM, XGBoost) también resultaron relevantes. Los modelos radiómicos aplicados a TC urgente permiten diferenciar con precisión AB de GBM, con rendimientos comparables a estudios con RM. El uso de modelos explicables favorece la confianza clínica y su potencial integración en la práctica asistencial urgente.