Valor Diagnóstico de la Inteligencia Artificial en el Cáncer de Pulmón en Etapa Temprana
El cáncer de pulmón sigue siendo la principal causa de morbimortalidad relacionada con el cáncer a nivel mundial. El diagnóstico y tratamiento tempranos son críticos para mejorar la tasa de supervivencia a 5 años. La inteligencia artificial (IA), especialmente el aprendizaje profundo, ha surgido como una herramienta prometedora en imágenes médicas, ofreciendo capacidades de autoptimización eficientes. Este estudio evalúa el valor diagnóstico de la IA en el cáncer de pulmón temprano, comparando su rendimiento con el de radiólogos y explorando los beneficios de combinar ambos enfoques.
Métodos
Se incluyeron pacientes con nódulos pulmonares operados en el Hospital Zhongshan de la Universidad Fudan entre enero de 2016 y diciembre de 2018. Los criterios de inclusión fueron: (1) diagnóstico patológico quirúrgico definitivo, (2) tomografía computarizada (TC) de tórax con cortes finos realizada dentro de una semana previa a la cirugía, (3) nódulos pulmonares solitarios (5–30 mm) y (4) estadificación patológica en Tis o estadio IA. Se seleccionaron 360 nódulos (180 malignos y 180 benignos), equilibrando factores como género y edad mediante emparejamiento por puntaje de propensión (PSM) en SPSS 19.0.
Las lesiones benignas incluyeron pseudo-tumores inflamatorios, tuberculosis, hamartomas y hemangiomas esclerosantes. Los nódulos malignos se clasificaron según la OMS (2015). Las imágenes se analizaron mediante un sistema de IA (s-Discover/Lung, V1.0.2, 12-Sigma Technologies), revisado por médicos expertos. Dos radiólogos con más de 10 años de experiencia realizaron diagnósticos independientes. El análisis estadístico incluyó curvas ROC, índice de Youden y pruebas de chi-cuadrado (significancia: p < 0,05).
Resultados
El área bajo la curva ROC (AUC) de la IA fue 0,771. Con un umbral de probabilidad maligna óptimo del 85,5%, la sensibilidad y especificidad de la IA fueron 62,8% y 77,8%, respectivamente. La sensibilidad de la IA fue menor que la de los radiólogos (68,3%), pero su especificidad fue mayor (62,8% vs. 77,8%; p < 0,05). El índice de Youden y el valor Kappa para IA y radiólogos fueron bajos (0,41 y 0,31).
La sensibilidad de la IA para nódulos de diferentes tamaños y densidades fue inferior a la de los radiólogos (p > 0,05), pero su especificidad fue mayor en grupos de 5,0–10,0 mm y 10,1–20,0 mm (p < 0,05). Al combinar IA y radiólogos, la sensibilidad aumentó a 83,3% (p < 0,05), aunque la especificidad disminuyó a 52,8%.
Discusión
La IA basada en aprendizaje profundo muestra mayor especificidad pero menor sensibilidad que los radiólogos. La combinación de ambos mejora la detección temprana, aunque con pérdida de especificidad. Las redes neuronales convolucionales (CNN) han demostrado ventajas en estudios previos, pero la calidad de las bases de datos de entrenamiento podría limitar su rendimiento.
Conclusión
La IA es una herramienta complementaria valiosa para el diagnóstico temprano del cáncer de pulmón. Se necesitan validaciones clínicas a gran escala y optimización de modelos para mejorar su precisión.
doi.org/10.1097/CM9.0000000000000634