Diagnóstico por Tomografía Computarizada Asistida por Redes Neuronales Profundas de Ganglios Linfáticos Metastásicos en Cáncer Gástrico
El cáncer gástrico representa un problema de salud global relevante, ocupando el quinto lugar entre las neoplasias malignas y el tercero en muertes relacionadas con tumores. En China, su prevalencia es particularmente alta, con una mortalidad elevada y un pronóstico desfavorable. Al momento del diagnóstico, las células cancerosas frecuentemente han infiltrado y metastatizado, siendo la metástasis linfática la principal forma de diseminación. La evaluación preoperatoria precisa de la metástasis en ganglios linfáticos es crucial para tratamientos efectivos, como la cirugía y la quimioterapia neoadyuvante. Sin embargo, los métodos tradicionales de evaluación mediante tomografía computarizada (TC) con contraste enfrentan desafíos técnicos, incluyendo resultados falsos negativos y positivos.
Este estudio explora la aplicación de redes neuronales profundas, específicamente las Redes Neuronales Convolucionales Basadas en Regiones (FR-CNN), para mejorar la precisión del diagnóstico por TC de ganglios linfáticos perigástricos metastásicos (PGMLNs) en pacientes con cáncer gástrico. El objetivo es simular el reconocimiento de ganglios por radiólogos y lograr identificaciones más exactas mediante aprendizaje profundo.
Se realizó un análisis retrospectivo de 750 pacientes con cáncer gástrico sometidos a TC en el Hospital Afiliado de la Universidad de Qingdao entre enero de 2011 y mayo de 2018. De estos, 250 presentaron confirmación posquirúrgica de PGMLNs. El estudio fue aprobado por el comité de ética institucional y registrado en el Chinese Clinical Trial Registry.
La metodología incluyó dos fases de aprendizaje: inicial y de precisión. En la fase inicial, se utilizaron 18.780 imágenes de TC con contraste y 1.371 imágenes etiquetadas de 313 pacientes para entrenamiento. La fase de precisión empleó 11.340 imágenes de TC y 1.004 imágenes etiquetadas de 189 pacientes. Las imágenes etiquetadas fueron analizadas por radiólogos expertos según tamaño, forma y valores de densidad de realce.
La FR-CNN se entrenó con estos conjuntos de datos, inicializando pesos preentrenados de ImageNet y ajustándolos mediante descenso de gradiente estocástico y retropropagación. Los resultados mostraron mejoras significativas: en el grupo inicial, la precisión media promedio (mAP) fue 0,5019 y el área bajo la curva ROC (AUC) 0,8995. Tras la fase de precisión, estos valores aumentaron a 0,7801 y 0,9541, respectivamente. La FR-CNN alcanzó una precisión de reconocimiento del 95,4%, superando métodos tradicionales.
Las ventajas de la FR-CNN incluyen la reconstrucción multiaxial de la distribución linfática, mayor detección de PGMLNs y reducción de falsos negativos/positivos causados por limitaciones técnicas o estructuras adyacentes. Además, proporciona evaluación integral de ubicación, cantidad, tamaño y densidad de ganglios, mejorando la estadificación linfática.
La implicación clínica es relevante: la evaluación preoperatoria precisa de PGMLNs determina la necesidad de quimioterapia neoadyuvante, asociada a mejores tasas de supervivencia en cáncer avanzado. La FR-CNN permite identificar rápidamente la cantidad y localización de ganglios metastásicos, optimizando planes terapéuticos. También asiste en disección endoscópica y linfadenectomía durante gastrectomía radical, factores críticos en el pronóstico.
En conclusión, la FR-CNN representa un avance significativo en la evaluación preoperatoria de PGMLNs, transformando estrategias manuales en enfoques basados en inteligencia artificial. Esta innovación mejora el diagnóstico, la planificación terapéutica y los resultados en pacientes con cáncer gástrico.
doi.org/10.1097/CM9.0000000000000532