Análisis cuantitativo de la fracción de grasa de los músculos del manguito rotador en RM ponderada en T1 sagital y coronal clínica mediante algoritmos de aprendizaje profundo

Por qué importa la grasa en los músculos del hombro

Cuando un tendón del manguito rotador del hombro se desgaja, los cirujanos a menudo pueden repararlo, pero el estado del músculo influye de forma decisiva en si esa reparación perdurará. Un indicador clave es cuánto ha invadido la grasa el músculo dañado. Hasta ahora, los médicos han tenido que juzgar esto a partir de una única rebanada de la exploración del hombro a simple vista, usando una escala aproximada de cinco niveles. Este estudio explora cómo el análisis de imágenes moderno, impulsado por aprendizaje profundo, podría convertir las exploraciones rutinarias del hombro en mapas tridimensionales precisos de la grasa muscular, ayudando a los médicos a predecir mejor quién se beneficiará de la cirugía y a planificarla.

El problema de la información borrosa

Hoy, la mayoría de los cirujanos se apoyan en la resonancia magnética (RM) estándar del hombro para evaluar los músculos del manguito rotador. En estas imágenes, la grasa aparece brillante y el músculo más oscuro, y un sistema de gradación ampliamente usado clasifica cada músculo desde “sin grasa” hasta “más grasa que músculo”. Pero este juicio se realiza en una única rebanada inclinada del hombro —la conocida vista en Y— y distintos expertos a menudo discrepan sobre la calificación exacta. En pacientes cuyos tendones se han retraído, esa única rebanada puede dejar de corresponder a la misma parte del músculo de una persona a otra, lo que dificulta aún más las comparaciones. Investigaciones previas también han mostrado que lo que se observa en una rebanada no representa de forma fiable el músculo tridimensional completo.

Una mejor forma de ver la grasa en los músculos

Los radiólogos ya disponen de una técnica de RM más precisa, conocida como imágenes Dixon, que puede medir el porcentaje exacto de grasa en cada pequeño elemento de volumen —el vóxel— a lo largo del músculo. Estas exploraciones muestran que la grasa está distribuida de forma desigual y puede variar a lo largo de la longitud del músculo. Sin embargo, las adquisiciones Dixon no forman parte de la imagenología rutinaria del hombro en la mayoría de hospitales. Los autores del estudio se preguntaron si un ordenador podía aprender a inferir la misma información detallada sobre la grasa directamente a partir de las RM estándar que los pacientes ya reciben. Reunieron datos de 99 adultos con desgarros del manguito rotador que habían tenido tanto RM ponderadas en T1 de rutina como exploraciones Dixon especializadas del mismo hombro, cubriendo los cuatro músculos clave del manguito rotador.

Enseñar a un algoritmo a leer entre los píxeles

El equipo utilizó primero una herramienta de aprendizaje profundo previamente validada para delinear de forma automática los huesos del hombro y cada músculo del manguito rotador en las RM estándar. Luego alinearon las exploraciones de rutina con las imágenes Dixon para que cada vóxel de la RM estándar pudiera emparejarse con su porcentaje real de grasa procedente de la adquisición Dixon. En lugar de etiquetar cada vóxel simplemente como “grasa” o “músculo”, dividieron el contenido graso en cinco rangos, desde casi sin grasa hasta muy alto porcentaje de grasa. Se entrenó una red neuronal 3D para predecir, para cada vóxel dentro de los músculos, a cuál de estos cinco rangos pertenecía, basándose únicamente en la apariencia en la RM estándar. El entrenamiento usó 75 hombros; el rendimiento se probó en los 24 restantes, en direcciones de exploración tanto sagital (de lado) como coronal (de frente).

Números más precisos, músculo a músculo

Una vez que la red aprendió esta tarea, los investigadores pudieron convertir sus predicciones vóxel a vóxel en un porcentaje medio de grasa para cada músculo. En comparación con los valores reales procedentes de las imágenes Dixon, los errores fueron pequeños: típicamente del orden de 1–2 puntos porcentuales, y en el peor de los casos unos 2–4 puntos porcentuales dependiendo del músculo y de la dirección de la exploración. De forma crucial, este enfoque multinivel superó claramente a un método tradicional “binario” que clasifica cada vóxel como todo grasa o todo músculo según un umbral simple. Ese método más antiguo infravaloró el contenido de grasa global en torno a 6 puntos porcentuales, aproximadamente la mitad de la grasa real en algunos músculos. El nuevo método también capturó cómo se distribuye la grasa a lo largo de cada músculo, revelando que, aunque el nivel medio pueda ser estable, los pacientes individuales pueden presentar fuertes variaciones locales que una única rebanada no detectaría.

Qué podría significar esto para los pacientes

Para las personas que afrontan una cirugía del manguito rotador, la diferencia entre una puntuación visual aproximada y una medida 3D precisa puede traducirse en un pronóstico más claro y un tratamiento más personalizado. Este trabajo demuestra que un algoritmo de aprendizaje profundo puede convertir las RM estándar de hombro que ya se recogen en las consultas en mapas de grasa casi cuantitativos, sin tiempo adicional de exploración ni equipo especial. Aunque el método todavía necesita probarse en escáneres y hospitales más diversos, ofrece una vía hacia una evaluación automatizada y consistente de la calidad muscular. En el futuro, mapas tan detallados sobre la localización de la grasa dentro de un músculo podrían ayudar a los cirujanos a decidir cuándo es probable que una reparación tenga éxito, refinar las técnicas quirúrgicas y, en última instancia, mejorar los resultados para los pacientes con desgarros dolorosos del hombro.

Cita: Hess, H., Oswald, A., Daneshvar, K. et al. Quantitative fat-fraction analysis of the rotator cuff muscles on clinical sagittal and coronal T1-weighted MRI using deep learning algorithms. Sci Rep 16, 8821 (2026). https://doi.org/10.1038/s41598-026-38108-3

Palabras clave: manguito rotador, grasa muscular, RM, aprendizaje profundo, cirugía de hombro