Inteligencia Artificial en Endoscopia Gastrointestinal: Visión General
Introducción
La inteligencia artificial (IA) se ha convertido en un tema de tendencia en la medicina clínica, particularmente en el campo de la endoscopia gastrointestinal (GI). La integración de la IA en la endoscopia GI tiene el potencial de mejorar significativamente la calidad de los procedimientos endoscópicos al aumentar la precisión, consistencia y eficiencia. La IA puede compensar errores y limitaciones humanas, haciendo los procedimientos más confiables y de mayor calidad. Aunque la IA ha demostrado resultados prometedores en endoscopias diagnósticas y terapéuticas en diversas partes del tracto GI, se requieren más estudios antes de su adopción generalizada en la práctica clínica. Además, consideraciones éticas y nueva legislación podrían ser necesarias para regular su uso. En conclusión, la IA está preparada para revolucionar la endoscopia GI en los próximos años, ofreciendo mejoras sustanciales en todos los niveles.
El papel de la IA en la endoscopia gastrointestinal
La tecnología de IA está diseñada para aumentar las capacidades humanas al proporcionar autonomía confiable a las máquinas, incrementar la productividad laboral y mejorar la eficiencia. En el contexto de la endoscopia GI, la IA puede reducir la variabilidad entre operadores, mejorar la precisión diagnóstica y facilitar decisiones terapéuticas rápidas y acertadas. Además, tiene el potencial de disminuir el tiempo, costo y carga asociados con los procedimientos endoscópicos.
La endoscopia asistida por IA utiliza algoritmos computacionales que imitan funciones cerebrales humanas. Estos algoritmos reaccionan a información de entrada y aprovechan datos aprendidos para generar resultados. El principio central de la IA es el aprendizaje automático (AA), que enseña a los algoritmos a reconocer patrones en datos. El AA permite que los algoritmos aprendan y mejoren automáticamente mediante la experiencia, sin programación explícita. Un método de AA en rápido desarrollo es el aprendizaje profundo (AP), que utiliza redes neuronales artificiales multicapa inspiradas en redes neuronales biológicas. Los modelos de AP analizan datos lógicamente, identifican patrones, extraen conclusiones y toman decisiones, superando ampliamente a los modelos estándar de AA.
IA en endoscopia esofágica
La IA ha mostrado avances significativos en el cribado de cáncer de esófago, especialmente en la identificación de displasia y cáncer en el esófago de Barrett (EB) y el carcinoma de células escamosas. La incidencia del adenocarcinoma esofágico (ACE) ha aumentado rápidamente en las últimas cuatro décadas, vinculado al incremento de la obesidad. El ACE suele diagnosticarse en etapas avanzadas, lo que resulta en un pronóstico desfavorable. La detección temprana de cambios neoplásicos en el EB es crucial, especialmente ante tratamientos endoscópicos curativos como la resección mucosa endoscópica y la ablación por radiofrecuencia.
Los métodos actuales de cribado para ACE incluyen visualización endoscópica directa con biopsias guiadas o aleatorias. Sin embargo, las biopsias aleatorias (protocolo de Seattle) son ineficientes, consumen tiempo y tienen baja rentabilidad diagnóstica. La endoscopia asistida por IA puede mejorar la sensibilidad y velocidad del cribado de ACE, reduciendo la carga para los endoscopistas.
Varios estudios respaldan la utilidad de la IA en la detección de ACE. Por ejemplo, Swager et al. desarrollaron un algoritmo basado en imágenes de endomicroscopía láser volumétrica (VLE) para identificar neoplasia temprana en EB, mostrando un área bajo la curva (AUC) de 0.95. Van der Sommen et al. probaron un algoritmo para detectar lesiones neoplásicas tempranas en EB, logrando una sensibilidad y especificidad de 0.83 por imagen. Estudios de Horie, Shin y Quang también han demostrado la eficacia de la IA en el diagnóstico de cáncer esofágico con alta precisión.
IA en endoscopia gástrica
La IA ofrece asistencia invaluable en el manejo del cáncer gástrico temprano (CGT) en diagnóstico, estadificación, delimitación de lesiones y predicción de infección por Helicobacter pylori (H. pylori). El adenocarcinoma gástrico es la tercera causa de mortalidad por cáncer global, siendo clave la detección temprana. Sin embargo, el CGT puede pasar desapercibido debido a anormalidades inespecíficas.
El cribado actual del CGT se basa en visualización directa durante gastroscopia, apoyada por herramientas de mejora de imágenes como cromoendoscopia, imágenes de banda estrecha (NBI) y magnificación. La IA puede reducir la variabilidad entre operadores y mejorar la detección de anomalías mucosas. Miyaki et al. desarrollaron un sistema de reconocimiento (máquina de vectores de soporte) que diferenció con precisión entre CGT y tejido circundante. Hirasawa et al. crearon un sistema de AP para diagnóstico de CGT, con sensibilidad del 92.2%. Estudios de Kubota y Zhu también han mostrado resultados prometedores en estadificación y diagnóstico.
IA en videocápsula endoscópica inalámbrica (VCE)
La videocápsula endoscópica (VCE) es el primer examen diagnóstico para exploración del intestino delgado. Aunque bien tolerada, el análisis de sus numerosos datos es tedioso. La IA puede automatizar el diagnóstico de angioectasias sangrantes, enfermedad celíaca y parásitos intestinales.
Sistemas de IA ya han demostrado eficacia en detección de sangrado intestinal. Sistemas CADe iniciales usaron extracción de características basadas en color para distinguir imágenes con sangrado. Sistemas más avanzados combinan color y textura. Hassan et al. desarrollaron un sistema de AP con sensibilidad y especificidad >99% para sangrado GI. Xiao et al. lograron puntuaciones similares usando aprendizaje profundo en VCE.
IA en colonoscopia
La IA puede mejorar la colonoscopia al asistir en detección de pólipos, caracterización y predicción de actividad inflamatoria en enfermedad inflamatoria intestinal (EII). El cáncer colorrectal (CCR) es la tercera neoplasia más diagnosticada y la segunda causa de muerte por cáncer. La colonoscopia es efectiva para cribado y prevención de CCR, dependiendo de la resección completa de pólipos neoplásicos.
No obstante, la tasa de omisión de adenomas sigue siendo alta. La IA puede reducir esto mediante detección automatizada. Misawa et al. desarrollaron un sistema CADe que detectó el 94% de pólipos con tasa de falsos positivos del 60%. Otros estudios, como los de Fernández-Esparrach, Urban y Wang, validaron la eficacia de la IA en detección de pólipos.
La IA también permite biopsia óptica en tiempo real de pólipos pequeños, evitando polipectomías innecesarias. Misawa et al. crearon un sistema CADx basado en endocitoscopia (EC) con diagnósticos precisos. Sistemas de Gross, Kominami y Chen han mostrado alta precisión en caracterización de pólipos.
Perspectivas futuras
Se espera que la IA esté ampliamente disponible pronto, con sistemas ya demostrando alta precisión. No obstante, funciones relacionadas con diagnóstico y tratamiento oncológico requieren más pruebas. Los sistemas CADe y CADx para detección de pólipos están entre las aplicaciones más prometedoras.
El futuro de la endoscopia GI se transformará con la IA. Inicialmente, la IA actuará como asistente, pero podría adquirir roles centrales en toma de decisiones. Esto plantea cuestiones éticas y legales sobre responsabilidades ante errores médicos o fallos técnicos. Se necesitan más investigaciones y regulaciones para garantizar un uso seguro y ético.
Conclusión
La aplicación de IA en endoscopia GI puede mejorar significativamente la calidad de los procedimientos en todos los niveles. Reduce variabilidad entre operadores, compensa errores humanos y aumenta precisión y eficiencia. Aunque se requieren más estudios y regulaciones, la IA revolucionará la endoscopia GI en los próximos años, beneficiando a pacientes y médicos.
doi.org/10.1097/CM9.0000000000000623