pInteligencia Artificial en la detección de tumores renales pequeños: un aliado prometedor para la Radiología
La diferenciación de masas renales pequeñas (SRM, por sus siglas en inglés) en tomografías computarizadas (TC) puede ser un desafío debido a la superposición de características en las imágenes.
Un estudio reciente publicado en Radiology sugiere que un algoritmo de aprendizaje profundo (Deep Learning) ofrece un rendimiento comparable al de los radiólogos urólogos en la detección de estas lesiones, e incluso superior al de los radiólogos no urólogos.
Algoritmo de deep learning comparable a Radiólogos Urólogos
El estudio retrospectivo analizó las tomografías computarizadas de 1.703 pacientes (edad promedio de 56 años) con masas renales únicas. Tras el desarrollo del algoritmo DL en conjuntos de entrenamiento y prueba interna, los investigadores evaluaron su eficacia para detectar SRM benignas < 3 cm y < 1 cm en pruebas multicéntricas externas y prospectivas.
En la prueba multicéntrica externa para SRM benignas < 3 cm, el algoritmo DL obtuvo un área bajo la curva (AUC) del 80%, inferior al AUC de los radiólogos urólogos (84%). Sin embargo, superó al promedio de radiólogos no urólogos (74%) en un 6% y al promedio de urólogos (66%) en un 14%.
Los investigadores también observaron una menor sensibilidad del algoritmo en comparación con los radiólogos urólogos (48% vs. 59%). No obstante, la tasa de sensibilidad fue 21% y 22% superior, respectivamente, a la de los radiólogos no urólogos (27%) y urólogos (26%).
“Nuestro objetivo final es traducir la investigación en inteligencia artificial a la optimización del flujo de trabajo clínico. Descubrimos que los radiólogos generales y no urólogos tienen menor capacidad para identificar SRM benignas. Nuestro algoritmo DL podría ayudar a médicos menos experimentados cuando los radiólogos expertos están ausentes o no disponibles en hospitales con recursos limitados”, escribieron el autor principal del estudio, el Dr. Chenchen Dai, del Hospital Zhongshan en Shanghái, China, y sus colegas.
Detección de lesiones subcentimétricas y limitaciones
Si bien el algoritmo DL tuvo un AUC comparable al de los radiólogos urólogos en la prueba prospectiva para masas renales subcentimétricas (< 1 cm) en TC (90% vs. 91%), los investigadores observaron una tasa de sensibilidad 22% menor en la prueba multicéntrica externa (26% vs. 58%).
No obstante, la sensibilidad del algoritmo para masas subcentimétricas fue más del doble que la de los radiólogos no urólogos (11%), según los datos multicéntricos externos.
Los investigadores reconocieron que la resolución limitada y la escasez de tipos de patología pueden haber contribuido a la creciente tasa de clasificación errónea observada en el algoritmo para las lesiones subcentimétricas.
Aporte potencial del aprendizaje profundo
A pesar de ello, los autores del estudio sugirieron que el potencial general del algoritmo podría tener un impacto en el triaje de casos que involucran masas renales < 3 cm.
“El algoritmo (de aprendizaje profundo) podría actuar como lector primario de imágenes de TC de tumores renales y reducir la carga de trabajo de los radiólogos. Si el resultado del DL indica que una SRM es benigna, se solicita a los radiólogos urólogos que reexaminen y analicen el caso con más cuidado.
Cuando surge una discrepancia evidente, es necesario realizar una vigilancia activa o una biopsia para confirmar el diagnóstico, lo que reduce en cierta medida las cirugías innecesarias”, afirmaron Dai y sus colegas.
3 Claves del Estudio
1. Rendimiento del algoritmo de aprendizaje profundo: El algoritmo DL mostró un desempeño prometedor en la detección de SRM en TC, logrando tasas de detección comparables a las de los radiólogos urólogos y un rendimiento superior al de los radiólogos no urólogos.
Esto sugiere que el algoritmo podría ser una herramienta valiosa para ayudar a médicos menos experimentados y optimizar el flujo de trabajo clínico, especialmente en hospitales con recursos limitados.
2. Detección de SRM benignas: El algoritmo mostró un AUC del 80% para detectar SRM benignas menores de 3 cm en pruebas multicéntricas externas. Aunque la sensibilidad del algoritmo fue menor que la de los radiólogos urólogos, superó tanto a los radiólogos no urólogos como a los urólogos, lo que sugiere su potencial para identificar con precisión lesiones benignas y reducir cirugías innecesarias.
3. Pruebas prospectivas e impacto potencial: En las pruebas prospectivas para masas renales subcentimétricas (< 1 cm) en TC, el algoritmo DL demostró un AUC comparable al de los radiólogos urólogos. Si bien tuvo una tasa de sensibilidad más baja en las pruebas multicéntricas externas, aún mostró una mejora sustancial en comparación con los radiólogos no urólogos.
Los autores del estudio sugirieron que la resolución limitada y la escasez de tipos de patología pueden haber contribuido a la sensibilidad reducida del algoritmo para las masas renales subcentimétricas.
Conclusiones
El estudio ofrece evidencia prometedora del potencial de los algoritmos DL para ayudar en la detección de SRM en TC, particularmente en la diferenciación de lesiones benignas. La implementación de estos algoritmos podría optimizar el flujo de trabajo clínico, reducir la carga de trabajo de los radiólogos y potencialmente disminuir las cirugías innecesarias.
Los investigadores reconocieron algunas limitaciones del estudio, como el tamaño de la muestra relativamente pequeño y la naturaleza retrospectiva de algunos análisis. Propusieron estudios futuros más amplios y prospectivos para evaluar aún más la eficacia de los algoritmos DL en la detección de SRM y su impacto en los resultados clínicos.
Para conocer má sobre esta investigación puede visitar Radiology.
0 comentarios