← Volver al inicio

Una segunda mirada a las imágenes del hígado: LiON ayuda a detectar 15 lesiones malignas pasadas por alto

Un ensayo prospectivo con más de diez mil participantes incorporó la IA para imágenes hepáticas al flujo habitual de interpretación. El estudio muestra que la colaboración entre médicos e IA permite detectar lesiones que se habían pasado por alto, pero aún se necesitan ensayos comparativos para determinar si mejora el pronóstico a largo plazo de los pacientes.

By SURL BioNews

En las imágenes del hígado, una pequeña lesión poco llamativa puede influir en el posterior diagnóstico y tratamiento del cáncer. Ante el gran volumen de imágenes de tomografía computarizada que los servicios de radiología revisan cada día, añadir una comprobación adicional de los detalles que pueden pasar inadvertidos supone una prueba concreta para la IA médica. En un ensayo prospectivo con 10,333 participantes, la colaboración entre médicos y el sistema de diagnóstico hepático LiON permitió detectar 51 lesiones que se habían pasado por alto, 15 de ellas malignas.

El sistema fue desarrollado conjuntamente por la Academia DAMO de Alibaba, el Hospital Shengjing afiliado a la Universidad Médica de China y otras instituciones. El estudio se publicó el 19 de agosto de 2026 en «Nature Medicine». Procesa imágenes de tomografía computarizada con contraste para ayudar a identificar tumores malignos primarios del hígado y lesiones de otros cánceres que han hecho metástasis en el hígado. Su uso se dirige a pacientes que ya se han sometido a pruebas de imagen, por lo que no permite inferir directamente su eficacia para el cribado del cáncer en la población general.

La dificultad de las lesiones diminutas radica en que pueden verse con mayor claridad solo en determinadas fases del contraste. El hígado graso, la cirrosis y las estructuras anatómicas complejas también aumentan la carga de interpretación. Según Alibaba, LiON integra imágenes de distintas fases y analiza tanto el hígado completo como las texturas locales, utilizando las diferencias sutiles entre fases como indicios para la identificación.

Los investigadores entrenaron primero el modelo con datos de 6,443 pacientes y después lo validaron retrospectivamente con datos multicéntricos y del mundo real que abarcaban a 22,251 personas. En el posterior ensayo prospectivo, LiON se utilizó como herramienta adicional de interpretación dentro del flujo de trabajo existente y obtuvo un área bajo la curva (AUC) de 0.952 para la identificación de lesiones malignas. Este indicador refleja la capacidad del sistema para distinguir entre casos malignos y no malignos; no debe interpretarse como que «el 95.2% de los pacientes recibe un diagnóstico correcto».

Más que una cifra aislada de rendimiento, lo que ocurre tras detectar las lesiones se acerca más a su valor clínico. El resumen del artículo señala que la colaboración entre médicos e IA dio lugar a la revisión de 37 informes de imagen, a la presentación de casos en 22 ocasiones para su discusión por equipos multidisciplinares y a cambios en el manejo de algunos pacientes. Un artículo de Alibaba Cloud describe además 15 de esas lesiones como pequeñas metástasis; el resumen del estudio utiliza la categoría más amplia de «lesiones malignas», por lo que no corresponde llamar a las 51 lesiones cánceres no diagnosticados.

Alibaba también informó de que, con la ayuda de la IA, el tiempo de interpretación de las imágenes se redujo un 27%, la sensibilidad para detectar lesiones malignas aumentó un 11.5% y el rendimiento diagnóstico de los médicos con menos experiencia podía acercarse al de los especialistas experimentados. Sin embargo, la información de la empresa no aclara si ese aumento de sensibilidad corresponde a una proporción relativa o a puntos porcentuales, y la magnitud de las mejoras observadas en las pruebas de interpretación tampoco debe extrapolarse directamente a todos los hospitales.

Este ensayo prospectivo tuvo un diseño de un solo grupo, por lo que todavía no basta para establecer cuánto puede reducir el sistema los retrasos diagnósticos o mejorar la supervivencia frente a la atención habitual. También es necesario aclarar la carga de pruebas adicionales derivada de los falsos positivos, su aplicabilidad en distintos sistemas sanitarios y las condiciones para su implementación conforme a los usos autorizados. Por ahora, la evidencia más concreta es que la IA puede alertar a los médicos para que vuelvan a examinar hallazgos sospechosos dentro del flujo habitual de diagnóstico por imagen. Si esas alertas pueden traducirse de forma consistente en beneficios para los pacientes sigue pendiente de validación mediante futuros estudios comparativos.

References

  1. finance.biggo.com
  2. Alibaba Group
  3. Alibaba Cloud Community