← Volver al inicio

Una mirada más a la TC torácica: validación internacional de una IA para identificar el riesgo de cáncer de esófago

Las imágenes torácicas obtenidas originalmente con otros fines podrían ofrecer una oportunidad adicional para detectar lesiones esofágicas. EAGLE demostró capacidad de detección en una amplia validación, pero aún puede pasar por alto lesiones tempranas y queda por demostrar si mejora la supervivencia de los pacientes.

By SURL BioNews

¿Puede una tomografía computarizada torácica ya realizada ofrecer una oportunidad adicional para detectar cáncer de esófago? Un estudio publicado el 22 de septiembre en «Nature Medicine» aportó evidencia de validación a gran escala de esta idea. El modelo de inteligencia artificial EAGLE analiza TC torácicas sin contraste e intenta identificar a las personas que necesitan una evaluación endoscópica adicional, añadiendo una alerta de riesgo de lesiones esofágicas a las exploraciones existentes.

La tarea no es sencilla. El esófago es un órgano tubular hueco cuyas imágenes pueden verse afectadas por el colapso de la luz y los artefactos de movimiento; además, las lesiones pequeñas son difíciles de distinguir del tejido normal. Según la explicación del desarrollo ofrecida por Alibaba DAMO Academy, el equipo entrenó el modelo emparejando las localizaciones de las lesiones proporcionadas por los informes endoscópicos y las TC con contraste con las imágenes correspondientes sin contraste. Por su parte, el Hospital Oncológico de la Provincia de Sichuan señaló que, además de emitir una clasificación positiva o negativa, el modelo marca las zonas sospechosas y proporciona mapas de calor para que los médicos los revisen.

El estudio entrenó el modelo con datos de 6,813 pacientes de dos centros y después lo validó en un total de 80,612 pacientes de 12 centros; el equipo de desarrollo indicó que la validación abarcó China, Chequia y Australia. En una prueba externa realizada en ocho de esos centros, con 11,466 personas, la sensibilidad para el cáncer de esófago fue del 90.0% y la especificidad, del 98.5%. La primera cifra indica que se identifican aproximadamente nueve de cada diez casos de cáncer, mientras que la segunda refleja la capacidad para descartar a quienes no presentan la enfermedad; ninguna de las dos puede interpretarse directamente como «recibir una alerta significa tener un 90% de probabilidad de padecer cáncer».

Los resultados relativos a las lesiones tempranas requieren un análisis por separado. En la prueba externa, la sensibilidad para las lesiones precancerosas fue del 52.5%; en otro conjunto de datos de 702 personas que se sometieron tanto a TC como a endoscopia, al aplicar un umbral de decisión con mayor sensibilidad, la sensibilidad para la neoplasia intraepitelial de alto grado y el cáncer de esófago en estadio I fue del 65.0% y del 78.4%, respectivamente. Estos resultados muestran que el modelo puede captar algunos indicios tempranos, pero también recuerdan que las cifras de distintas poblaciones y umbrales no pueden compararse directamente y que un resultado negativo aún puede pasar por alto lesiones.

Cuántas exploraciones adicionales genera una alerta es otro reto para la implementación clínica. El resumen del estudio recogido por el Instituto Nacional del Cáncer de Francia señala que el equipo calibró el modelo con datos del mundo real de 35,402 personas y redujo los falsos positivos un 72.7% manteniendo la sensibilidad. Sin embargo, en una validación prospectiva intrahospitalaria de 17,446 personas, el valor predictivo positivo siguió siendo del 42.2%, lo que significa que más de la mitad de las alertas positivas no se confirmaron como casos positivos según la definición del estudio; por tanto, el proceso de confirmación posterior sigue siendo fundamental.

El estudio también obtuvo resultados similares en una validación con TC de baja dosis en 1,607 personas, por lo que plantea la posibilidad de integrar el modelo en los procedimientos existentes de cribado del cáncer de pulmón. Si se analizan imágenes ya obtenidas, no es necesario realizar otra TC para esta interpretación mediante IA. El equipo de desarrollo también afirmó que una simulación clínica en la que EAGLE se utiliza primero para estratificar el riesgo podría aumentar aproximadamente tres veces la tasa de detección de lesiones mediante endoscopia; esto refleja la eficiencia en la selección de las personas que se someten a la exploración y todavía no permite inferir que la tasa de detección del cáncer o la supervivencia en la población general también aumenten de forma paralela.

Por ahora, EAGLE ofrece una vía de cribado que merece una evaluación adicional: identificar indicios en imágenes existentes y confirmarlos después mediante exploraciones clínicas. La validación en distintos centros amplía la evidencia sobre su utilidad, pero el estudio aún no ha demostrado un beneficio en la reducción de la mortalidad. Antes de incorporarlo a la atención habitual, todavía será necesario aclarar su rendimiento en las poblaciones de cada lugar, la carga de derivaciones tras las alertas y cómo equilibrar las lesiones no detectadas con las exploraciones adicionales.

References

  1. Nature Medicine via PubMed
  2. Sichuan Cancer Hospital
  3. Alibaba Cloud Community
  4. Institut national du cancer