Inteligencia artificial y tomografía de baja dosis: ¿puede mejorar la predicción del riesgo de cáncer de pulmón?
La incorporación de modelos de inteligencia artificial en el tamizaje pulmonar mediante tomografía computada de baja dosis (LDCT, por sus siglas en inglés) avanza con rapidez.
Un estudio publicado en Radiology evaluó el desempeño del modelo abierto Sybil, entrenado para predecir riesgo de cáncer de pulmón a partir de LDCT, con resultados prometedores pero también con limitaciones relevantes según la población analizada.
Un modelo entrenado en tomografía de tórax
El estudio retrospectivo analizó 18.057 individuos (mediana de edad: 56 años) que se sometieron a LDCT en un centro de salud asiático entre 2004 y 2021. El modelo Sybil fue diseñado para calcular el riesgo de desarrollar cáncer pulmonar a uno y seis años, basándose exclusivamente en la información radiológica de las imágenes, sin datos clínicos adicionales.
Entre los participantes, 2.848 tenían antecedentes de tabaquismo intenso (más de 20 paquetes-año) y casi 10.000 habían fumado poco o nunca. En total, se diagnosticaron 92 cánceres de pulmón en el seguimiento de seis años (0,5% de la cohorte).
Alto rendimiento en el corto plazo
Los investigadores reportaron que Sybil alcanzó un AUC del 91% para predecir riesgo de cáncer de pulmón dentro de un año en la población total. En el subgrupo de grandes fumadores, el rendimiento fue aún mayor, con un AUC del 94% cuando las lesiones ya eran visibles en la tomografía basal.
Estos resultados sugieren que el modelo puede identificar con alta precisión a pacientes con riesgo inminente de desarrollar cáncer, lo que podría tener valor clínico para priorizar vigilancia estrecha o intervenciones tempranas.
Limitaciones en la predicción a largo plazo
El desempeño disminuyó cuando el horizonte de predicción se amplió a seis años. En la cohorte general, el AUC descendió a 74%, y en fumadores intensos fue de 70%. Aunque se trata de cifras aceptables, muestran que la capacidad del modelo para anticipar cánceres aún no visibles es moderada.
Además, los mapas de atención generados por la red profunda —destinados a señalar la localización probable de las lesiones— demostraron poca utilidad en este escenario.
Como explicaron los autores, “la discrepancia entre la predicción basada en puntajes de riesgo y la localización espacial de los tumores refleja una limitación de este tipo de explicaciones atencionales, especialmente cuando el cáncer aún no es visible en la imagen”.
Baja utilidad en no fumadores y fumadores leves
Uno de los hallazgos más significativos fue el bajo rendimiento en personas con historia de tabaquismo leve o nulo. En este grupo, el modelo mantuvo un AUC de 89% para detección de cánceres visibles, pero cayó drásticamente a 56% para predicción a seis años.
Los autores sugieren que esta limitación puede deberse a que el modelo fue entrenado principalmente con fumadores intensos, dejando subrepresentados a los pacientes con otro tipo de riesgo.
Además, en quienes nunca fumaron o fumaron poco, los cánceres pulmonares suelen manifestarse como nódulos subsólidos o adenocarcinomas asociados a mutaciones del receptor del factor de crecimiento epidérmico (EGFR), con características radiológicas más sutiles que Sybil no habría aprendido a reconocer.
¿Qué significa AUC en este contexto?
El área bajo la curva (AUC) de la curva ROC es una métrica estándar para medir la capacidad de un modelo de clasificar correctamente entre casos positivos y negativos.
Un valor de 1 indica precisión perfecta, mientras que 0,5 refleja un desempeño aleatorio. Así, los valores de Sybil en torno al 0,9 para predicción a corto plazo son considerados excelentes.
Implicancias para el tamizaje de cáncer de pulmón
El cáncer de pulmón continúa siendo una de las principales causas de mortalidad oncológica a nivel mundial. Los programas de detección con LDCT han demostrado reducir la mortalidad en fumadores de alto riesgo, pero la sensibilidad y la especificidad no son perfectas.
Un sistema como Sybil podría complementar la evaluación radiológica y apoyar la estratificación de riesgo. En grandes fumadores, su desempeño sugiere que puede ayudar a identificar a quienes se beneficiarían de vigilancia intensiva o de un diagnóstico más precoz.
No obstante, sus limitaciones en poblaciones de bajo riesgo plantean dudas sobre la generalización de los resultados. Según los autores, es fundamental seguir entrenando y validando estos modelos en cohortes más diversas, que incluyan no fumadores y pacientes con diferentes características tumorales.
Hacia una inteligencia artificial más explicativa
Otro desafío señalado es la dificultad para interpretar los mapas de atención utilizados por el modelo, que buscan resaltar las regiones de la imagen asociadas al riesgo predicho. Aunque Sybil puede asignar un puntaje de riesgo alto, no siempre logra localizar el sitio tumoral.
Este punto es crítico para la adopción clínica, ya que los radiólogos necesitan no solo saber que un paciente tiene riesgo, sino también dónde buscar lesiones sutiles en las imágenes. Los investigadores reconocen que se requieren enfoques más robustos de interpretabilidad para integrar estos modelos en la práctica diaria.
Un paso adelante con margen de mejora
El estudio en Radiology muestra que Sybil ofrece un rendimiento sólido para predecir cáncer de pulmón a corto plazo en fumadores intensos, pero con eficacia reducida en horizontes más largos y en poblaciones de bajo riesgo.
El avance representa un paso importante hacia el uso de IA en programas de tamizaje, aunque todavía persisten retos técnicos y clínicos.
La precisión en la predicción, la localización anatómica y la generalización a distintos grupos de pacientes son metas pendientes antes de que este tipo de herramientas pueda ser adoptada de manera rutinaria en la práctica clínica.
Para conocer más sobre este aporte puede visitar Radiology y acceder al artículo completo.
0 comentarios