Guía para la Aplicación de Sistemas de Reconocimiento de Estadificación del Cáncer de Recto Basados en Plataformas de Inteligencia Artificial (Edición 2021)
La evaluación por imágenes se ha convertido en un pilar fundamental para la planificación terapéutica en el cáncer de recto, ya sea para intervenciones quirúrgicas o quimiorradioterapia neoadyuvante. Sin embargo, la interpretación de los resultados depende en gran medida de radiólogos expertos, cuya escasez y distribución desigual generan retrasos y sesgos diagnósticos. Para abordar este desafío, se han propuesto sistemas automáticos de reconocimiento de estadificación basados en inteligencia artificial (IA), capaces de reemplazar parcialmente el trabajo manual y permitir una identificación rápida y precisa de la etapa tumoral.
Esta guía se centra en el uso de redes neuronales convolucionales basadas en regiones más rápidas (FR-CNN) entrenadas con grandes volúmenes de imágenes. Estas redes identifican y delimitan lesiones, reconstruyen áreas objetivo en tres dimensiones y evalúan parámetros clave: estadificación T (tumor), N (ganglios linfáticos), margen de resección circunferencial (CRM) e invasión vascular extramural (EMVI), según los criterios TNM y del Grupo de Investigación MERCURY.
Establecimiento de la Base de Datos de Imágenes
La base de datos se construyó con imágenes de resonancia magnética (RM) de 3.0T de equipos GE, Siemens y Philips. Las secuencias y parámetros principales se detallan en la Tabla complementaria 1. Tras la recolección, las secuencias con valor diagnóstico se integraron en una red neuronal profunda (DNN) para su procesamiento.
Identificación de Parámetros en el Conjunto de Entrenamiento
Un comité de expertos definió los criterios de identificación:
- Estadificación T: T1 (infiltración de submucosa), T2 (extensión a muscular propia), T3 (discontinuidad de muscular propia con invasión del mesorrecto), T4 (infiltración de peritoneo u órganos pélvicos).
- Estadificación N: Ganglios linfáticos positivos si diámetro mínimo ≥5 mm en T2, bordes irregulares o señal alta en imágenes potenciadas.
- CRM positivo: Distancia ≤1 mm entre el tumor y la fascia mesorrectal.
- EMVI positivo: Señal moderada en vasos sanguíneos con dilatación irregular o contorno nodular en RM-T2.
Proceso de Identificación
Dos radiólogos senior y un cirujano colorrectal evaluaron y marcaron las imágenes. En discordancia, un cuarto experto definió el resultado final. Tres imágenes marcadas por paciente se integraron a la DNN para entrenamiento.
Arquitectura de Entrenamiento FR-CNN
El sistema combina una red de propuesta de regiones y un detector de objetivos basado en áreas candidatas, compartiendo capas convolucionales. Las regiones de interés se delimitaron mediante cuadros de probabilidad, con puntuaciones de salida para cada parámetro.
Herramientas de Validación Clínica
Se utilizaron curvas ROC (característica operativa del receptor) y PR (precisión-exhaustividad). El área bajo la curva (AUC) fue el indicador principal. Un AUC ≥90% valida la aplicabilidad clínica del sistema.
Interpretación de Resultados
El sistema clasifica la probabilidad en tres niveles:
- Alta confiabilidad: Estadificación T ≥90%; N, CRM o EMVI ≥80%.
- Posible concordancia: T entre 70-90%; N, CRM o EMVI entre 60-80%.
- Baja confiabilidad: T <70%; N, CRM o EMVI <60%.
Escenarios de Aplicación Clínica
Para pacientes con cáncer rectal en RM de alta resolución:
- T1N0: Resección local transanal, microcirugía endoscópica o cirugía mínimamente invasiva.
- Casos no T1N0 o con metástasis ganglionares laterales sospechosas: Quimiorradioterapia neoadyuvante, seguida de reevaluación con IA. Si se logra respuesta completa clínica (cCR), resección local o estrategia de vigilancia. Sin cCR, cirugía radical con escisión total del mesorrecto (TME). Si persisten ganglios laterales positivos, disección ganglionar lateral selectiva.
Conclusión
Los sistemas de IA basados en FR-CNN ofrecen una solución a la escasez de radiólogos expertos, proporcionando evaluaciones rápidas y precisas de parámetros clave en cáncer de recto. La guía enfatiza el uso de imágenes de RM de alta resolución y validación rigurosa mediante curvas ROC para garantizar su fiabilidad clínica. Estas herramientas apoyan la toma de decisiones terapéuticas, optimizando planes de diagnóstico y tratamiento.
doi.org/10.1097/CM9.0000000000001483