Novedoso estudio que utiliza la inteligencia artificial para la automatización del diagnóstico y seguimiento de la psoriasis ungueal
Lugones Editorial©
En dermatología, la inteligencia artificial aún no está totalmente integrada en el manejo de las uñas; precisamente el artículo Kemenes et al. representa un paso hacia la automatización del diagnóstico y seguimiento de la psoriasis ungueal.
Los autores proponen una herramienta de inteligencia artificial (convolutional neural network, CNN) capaz de realizar el scoring automático de severidad mediante el Nail Psoriasis Severity Index (mNAPSI) modificado, con una validación independiente y sin necesidad de condiciones estandarizadas de imagen.
Recogieron miles de fotografías de uñas de pacientes con psoriasis o artritis psoriásica y controles, entrenaron el modelo, y luego lo validaron en una cohorte independiente con imágenes sin condiciones de adquisición estandarizadas.
El modelo mostró una correlación alta con la anotación humana y buen rendimiento (AUROC ~80%) incluso bajo condiciones reales de imagenización.
Se trata de una herramienta con el potencial de estandarizar y agilizar la evaluación de la psoriasis ungueal, facilitando el uso clínico y seguimiento
Introducción
La psoriasis (PsO) es una enfermedad inflamatoria crónica con manifestaciones clínicas altamente heterogéneas que afectan predominantemente a la piel y las uñas, así como articulaciones, entesis y tendones.
La afectación de las uñas está presente en aproximadamente el 50% de los pacientes con PsO y tiene una importancia pronóstica sustancial. Se ha demostrado que su presencia se correlaciona con la gravedad de la enfermedad, la calidad de vida deteriorada y el riesgo de progresión a artritis psoriásica (PsA).
Por estas razones, los índices clínicos que miden la presencia y la gravedad de la psoriasis en las uñas se utilizan comúnmente como puntos finales en los ensayos de medicamentos para PsO y PsA.
La cuantificación objetiva de la psoriasis de las uñas requiere una evaluación de varias características de la enfermedad de las uñas. Para hacerlo, se han desarrollado puntuaciones clínicas integrales como el NAPSI y el NAPSI modificado (mNAPSI).
La puntuación NAPSI es el estándar de oro para evaluar la gravedad de la psoriasis de las uñas mediante la evaluación de la matriz de las uñas y los cambios en el lecho ungueal.
Una evaluación temprana y precisa de la psoriasis en las uñas es de gran importancia para mejorar el manejo del paciente y guiar las decisiones de tratamiento
En los últimos años, se ha desarrollado un número creciente de herramientas de inteligencia artificial (IA). Sin embargo, los modelos de IA hasta ahora se han basado en altos grados de estandarización para la adquisición de imágenes y se han basado en las anotaciones de un solo lector.
En este trabajo, los autores se propusieron entrenar y validar un nuevo modelo basado en la red neuronal convolucional (CNN) con el objetivo de mejorar la precisión en todas las clases de gravedad de NAPSI, así como disminuir la necesidad de estandarización de imágenes.
Canalización de la recopilación de datos (A) y del proceso de entrenamiento del modelo (B). (C) Muestra ejemplos visuales de cambios en las uñas a lo largo de las diferentes clases de mNAPSI 1-5.
Resultados
Características de los pacientes
Se incluyeron 638 pacientes con un total de 5.357 imágenes de uñas distribuidas en tres fases. La mayoría de los pacientes eran mujeres, de etnia caucásica y fototipo bajo, con psoriasis cutánea o artritis psoriásica, y controles no psoriásicos.
El conjunto de datos de entrenamiento mostró una puntuación media mNAPSI de 8,3, mientras que el conjunto de validación externa tuvo una media más alta de 10,02, debido a la ausencia de controles no psoriásicos.
Rendimiento del algoritmo en entrenamiento
- En el conjunto de entrenamiento, la CNN mostró una fuerte correlación con la anotación humana (r = 0,94, p<0,001), con una pendiente de 0,95 y ligera subestimación de puntuaciones bajas.
- El AUROC promedio fue 0,862 y la precisión media 0,636.
- La clasificación fue especialmente buena en las clases mNAPSI más bajas y más altas, mientras que las clases intermedias presentaron menor precisión, reflejado en las curvas ROC y PRC y en la matriz de confusión.
Rendimiento del algoritmo en validación externa
- En la cohorte de validación, la correlación con la anotación humana se mantuvo alta (r = 0,92, p<0,001) con AUROC promedio de 0,801 y precisión promedio de 0,434.
- La clasificación se mantuvo robusta en las clases 1, 4 y 5, mientras que algunas clases intermedias mostraron menor desempeño. La matriz de confusión y las curvas ROC/PRC confirmaron el buen rendimiento general del modelo.
Impacto del tamaño de los datos de entrenamiento
- El análisis por subconjuntos mostró que aumentar el tamaño de los datos de entrenamiento mejora el rendimiento de la CNN. AUROC, F1 y MAE aumentaron a medida que se incluían más imágenes, con un aumento notable de la sensibilidad en la detección de uñas psoriásicas y mejora general de la robustez del modelo.
Este artículo aborda explícitamente la psoriasis ungueal, un aspecto clínico a veces subvalorado, pero con impacto en calidad de vida y pronóstico de la artritis psoriásica
Consistencia entre lectores humanos
- El acuerdo entre cinco lectores fue bueno, con un alfa de Cronbach de 0,80 (IC 95%: 0,71-0,865). Las correlaciones por pares fueron generalmente significativas (r entre 0,32 y 0,76), lo que confirma la fiabilidad de la anotación humana utilizada como referencia para el entrenamiento y validación de la CNN.
Rendimiento de clasificación de la red neuronal en el conjunto de datos de validación externa
Discusión
En este estudio, se desarrolló y entrenó exitosamente un modelo basado en CNN para predecir y calificar automáticamente la gravedad de la enfermedad de las uñas en pacientes con psoriasis mediante mNAPSI.
El modelo se validó con éxito en una cohorte externa independiente, utilizando fotografías tomadas sin estandarización en iluminación, ángulo o exposición. La CNN mostró un alto AUROC en todas las clases y una fuerte correlación con la anotación humana, manteniendo su rendimiento incluso en condiciones de imagenización no estandarizadas.
El interés por herramientas basadas en inteligencia artificial para evaluar objetivamente la actividad de la enfermedad en psoriasis, PsA y otras formas de artritis ha crecido, aunque su implementación clínica sigue siendo limitada.
Modelos similares de IA ya se aplican con éxito en la clasificación de artritis mediante tomografía computarizada, resonancia magnética, ultrasonido y rayos X. Sin embargo, su aplicación a la evaluación de uñas en psoriasis estaba poco explorada, con desarrollos iniciales prometedores que demostraron la factibilidad de estandarizar la calificación de NAPSI mediante IA.
El uso de la inteligencia artificial en dermatología ha evolucionado; ahora el objetivo es aplicarla a la evaluación de la psoriasis ungueal
Conclusiones
El modelo CNN desarrollado permite una puntuación automatizada, objetiva e imparcial de la gravedad de la enfermedad de las uñas en pacientes con psoriasis y PsA.
Su correcta implementación podría integrarse en la práctica clínica y en herramientas de autoinforme basadas en aplicaciones, mejorando el seguimiento y evaluación de la enfermedad. La arquitectura del modelo estará disponible a pedido para facilitar su difusión.
El modelo basado en CNN permite predecir y calificar automáticamente la gravedad de la enfermedad de las uñas en pacientes con psoriasis mediante mNAPSI
Psoriasis ungueal
Fuente
Kemenes S, Chang L, Schlereth M, et al. Advancement and independent validation of a deep learning-based tool for automated scoring of nail psoriasis severity using the modified nail psoriasis severity index. Front Med 2025;12.
