IA médica · asia
La IA extrae el «signo de la coliflor» de imágenes de tumores cerebrales y obtiene una validación preliminar en una prueba externa de 100 casos
Convertir los datos numéricos de las imágenes en pistas que los médicos puedan reconocer es uno de los obstáculos para llevar la IA médica a la práctica. El signo de la coliflor propuesto en un nuevo estudio mostró capacidad para distinguir entre glioblastomas y tumores metastásicos, pero aún falta validar si mejora el diagnóstico clínico.
En las imágenes de tumores cerebrales, una característica que pueda reconocerse, describirse y evaluarse repetidamente podría convertirse en una pista diagnóstica. Sin embargo, los datos morfológicos que mide una computadora no siempre se traducen fácilmente en un lenguaje de imágenes comprensible para los médicos. Un nuevo estudio intenta superar este obstáculo: hacer que la IA proponga signos con nombre a partir de datos de glioblastomas y que después radiólogos los evalúen en otro conjunto de tumores.
El estudio se publicó el 7 de octubre en «npj Digital Medicine» como una versión anticipada que había superado la revisión por pares. El equipo desarrolló un flujo de trabajo de IA agéntica que conecta el análisis estadístico descriptivo, la traducción semántica de características morfológicas cuantitativas y la visualización, con el objetivo de convertir los datos en signos de imagen que puedan describirse con palabras y ser reconocidos por personas.
El estudio utilizó 106 casos de glioblastoma supratentorial como datos de desarrollo y generó ocho signos candidatos. Entre ellos, los propuestos con mayor consistencia fueron los signos de la «coliflor», la «berenjena» y la «tortita». Estos nombres ofrecen una forma de expresión fácil de recordar, pero darles nombre es solo el punto de partida; la verdadera prueba es si los signos pueden ayudar a distinguir distintos tumores fuera de los datos originales.
El equipo eligió el signo de la coliflor para la validación externa. Dos radiólogos evaluaron de forma independiente otro conjunto de 100 tumores, compuesto por 50 glioblastomas y 50 tumores metastásicos. Sus áreas bajo la curva ROC (AUC) fueron de 0.73 y 0.77, respectivamente, con intervalos de confianza del 95% de 0.64 a 0.82 y de 0.69 a 0.85, respectivamente. El AUC mide la capacidad para distinguir entre las dos clases de tumores y no puede interpretarse directamente como una exactitud diagnóstica del 73% o del 77%.
Este resultado respalda el valor discriminativo preliminar del signo de la coliflor y también destaca la particularidad del estudio: la IA propone pistas y los médicos se encargan de validarlas en casos externos. Sin embargo, la validación externa no equivale a la implementación clínica; los resultados de 100 casos y dos evaluadores tampoco bastan todavía para determinar si su rendimiento se mantendrá en distintos hospitales y con la composición habitual de los casos, o cuánto puede aportar a la interpretación existente.
El resumen de la revista que actualmente puede verificarse no detalla la definición completa para interpretar el signo de la coliflor ni aporta pruebas de que mejore el proceso de diagnóstico y tratamiento o los resultados de los pacientes. Por ello, es más adecuado considerar este resultado como una validación preliminar de un método para descubrir signos de imagen. La clave del siguiente paso es permitir que otros médicos reproduzcan la interpretación siguiendo una misma definición y comprobar si esta nueva pista aporta valor adicional en la atención real.