Un metaanálisis recién publicado en Academic Radiology evaluó la lectura con inteligencia artificial basada en resonancia magnética para identificar metástasis ganglionares en cáncer colorrectal y la comparó con la interpretación no asistida por radiólogos.
Reunió 10 estudios con 2.132 pacientes y su mensaje central es claro: los modelos de aprendizaje profundo, entrenados con rasgos radiómicos y señales de textura además de la morfología visible, elevaron de forma apreciable la capacidad de detección frente a la lectura tradicional sin apoyo algorítmico.
RM con modelos de aprendizaje profundo
Los autores realizaron una búsqueda en PubMed, Embase y Web of Science (hasta el 30 de junio de 2025) e incluyeron trabajos que compararan, con histopatología como referencia, lecturas de RM con modelos de aprendizaje profundo frente a interpretaciones de radiólogos.
Se emplearon modelos bivariados de efectos aleatorios para estimar sensibilidad, especificidad y área bajo la curva (AUC). La calidad metodológica se valoró con PROBAST+AI y el grado de evidencia con GRADE.
Hallazgos clave
En cohortes de validación interna, la lectura automatizada sobre RM alcanzó sensibilidades y especificidades agrupadas del 89 % y 85 %, con AUC del 93 %. Las lecturas no asistidas por radiólogos mostraron valores inferiores (sensibilidad 65 %, especificidad 74 %, AUC 76 %).
En validación externa, los modelos mantuvieron un rendimiento competitivo (sensibilidad 75 %, especificidad 81 %, AUC 84 %), si bien los autores subrayan que hacen falta validaciones externas más robustas y multicéntricas.
Un punto matizado del trabajo es la comparación por nivel de experiencia: la IA superó de forma consistente a lectores junior y mostró mayor sensibilidad y AUC que lectores sénior, pero sin diferencias significativas en especificidad frente a estos últimos.
La interpretación de los autores es que los modelos capturan patrones cuantitativos sutiles que ayudan a no pasar por alto enfermedad, mientras que los especialistas más experimentados conservan fortaleza en la discriminación de hallazgos benignos con apariencia compleja.
¿Qué podría significar en el flujo de trabajo?
El metaanálisis plantea dos usos potenciales, siempre como apoyo y no como sustituto de la lectura clínica:
- Triage previo: la IA como primer lector para priorizar estudios con alta sospecha y pre-redactar hallazgos que luego valida el radiólogo.
- Lectura concurrente: la IA señala regiones de interés en tiempo real durante la interpretación, ayudando a focalizar la atención en ganglios de aspecto dudoso.
Los autores destacan que este tipo de integración podría agilizar circuitos de reporte y acortar tiempos hasta el diagnóstico, aunque insisten en que su utilidad depende de la inserción cuidadosa en los flujos existentes.
Alcance y límites
La mayoría de los estudios incluidos fueron retrospectivos y de un mismo país, lo que restringe la generalización. Además, los buenos resultados en validaciones internas no siempre se replican con la misma magnitud fuera del entorno de entrenamiento.
Por eso, el metaanálisis pide estudios prospectivos, multicéntricos y con poblaciones diversas para confirmar estabilidad del rendimiento y utilidad clínica real.
En una frase
Según este metaanálisis, la lectura con aprendizaje profundo aplicada a la RM mejora la sensibilidad para detectar metástasis ganglionares en cáncer colorrectal frente a la lectura no asistida, con especificidad comparable a la de especialistas experimentados, y apunta a un papel complementario como herramienta de apoyo en el flujo de trabajo.
Referencia: Wang F. et al. Academic Radiology, 2025. “MRI-based deep learning for lymph node metastasis detection in colorectal cancer.”
0 comentarios