¿Cómo puede la inteligencia artificial ayudar a diagnosticar un raro cáncer de hígado?
El cáncer de hígado es una de las enfermedades más graves y comunes en todo el mundo. En 2020, se reportaron más de 900,000 nuevos casos y 830,000 muertes relacionadas. Entre los distintos tipos de cáncer de hígado, existe uno muy poco frecuente llamado carcinoma de células claras primario del hígado (PCCCL, por sus siglas en inglés). Este tipo de cáncer tiene características especiales y, afortunadamente, un pronóstico más favorable que el carcinoma hepatocelular común (CHCC). Sin embargo, diferenciar entre estos dos tipos de cáncer antes de la cirugía es un gran desafío para los médicos.
Las imágenes de tomografía computarizada (CT, por sus siglas en inglés) son una herramienta clave para el diagnóstico, pero ambos tipos de cáncer pueden parecer muy similares en estas imágenes. Esto dificulta la toma de decisiones médicas y puede retrasar el tratamiento adecuado. Aquí es donde entra en juego la inteligencia artificial (IA). Un estudio reciente ha utilizado una tecnología llamada Faster region-based convolutional neural network (Faster RCNN) para mejorar el diagnóstico de estos cánceres.
¿Qué es el carcinoma de células claras primario del hígado?
El PCCCL es una variante rara del cáncer de hígado. Aunque es menos común que el CHCC, tiene características que lo hacen único. Por ejemplo, los pacientes con PCCCL tienden a tener una mejor supervivencia y menos probabilidades de que el cáncer regrese después del tratamiento. Esto podría estar relacionado con ciertas diferencias genéticas entre los dos tipos de cáncer.
Sin embargo, identificar el PCCCL antes de la cirugía es complicado. Los médicos dependen de las imágenes de CT, pero estas no siempre muestran diferencias claras entre el PCCCL y el CHCC. Esto puede llevar a diagnósticos incorrectos o retrasos en el tratamiento.
¿Cómo puede la inteligencia artificial ayudar?
La inteligencia artificial, especialmente los modelos de aprendizaje profundo como Faster RCNN, está revolucionando el análisis de imágenes médicas. Faster RCNN es una tecnología que combina la extracción de características, la generación de regiones de interés y la clasificación en un solo sistema. Esto permite detectar y clasificar objetos, como tumores, de manera rápida y precisa.
En este estudio, los investigadores utilizaron Faster RCNN para desarrollar un modelo que pueda distinguir entre PCCCL y CHCC usando imágenes de CT. El objetivo era crear una herramienta que ayude a los médicos a tomar decisiones más informadas y rápidas.
¿Cómo se realizó el estudio?
El estudio incluyó datos de 62 pacientes con PCCCL y 1079 pacientes con CHCC tratados en el Hospital YouAn de Beijing entre 2012 y 2020. Todos los pacientes habían sido sometidos a CT antes de la cirugía y tenían un diagnóstico confirmado por patología. Después de excluir a algunos pacientes por diversos motivos, como imágenes de baja calidad o tratamientos previos, quedaron 42 pacientes con PCCCL y 109 con CHCC.
¿Cómo se analizaron las imágenes?
Los pacientes se sometieron a CT del abdomen superior usando un escáner GE64 Lightspeed VCT. Se administró un medio de contraste llamado iopromide para mejorar la visibilidad de los tumores. Las imágenes se tomaron en varias fases: antes del contraste, en la fase arterial, en la fase portal y en la fase de equilibrio.
Dos radiólogos con experiencia marcaron manualmente las áreas de interés (ROI, por sus siglas en inglés) alrededor de los tumores usando un software especial. También se registraron variables clínicas como la edad, el sexo, la presencia de hepatitis y los niveles de alfa-fetoproteína (AFP), un marcador tumoral.
¿Cómo se entrenó el modelo de inteligencia artificial?
El modelo Faster RCNN utilizó una red neuronal llamada ResNet101 para extraer características de las imágenes. Este modelo fue entrenado con 4,392 imágenes de CT de 121 pacientes. Los parámetros de entrenamiento incluyeron una tasa de aprendizaje de 0.001 y un número de iteraciones de 10,000.
El modelo fue evaluado con 1,072 imágenes de 30 pacientes. Se midieron métricas como la precisión, la precisión promedio (AP), la precisión promedio media (mAP) y la sensibilidad (recall). Los resultados se compararon con los diagnósticos de dos radiólogos con experiencia.
¿Qué resultados se obtuvieron?
El modelo demostró una precisión general del 96.2%. Para el PCCCL, la precisión promedio fue del 90.8% y la sensibilidad del 95.1%. Para el CHCC, la precisión promedio fue del 90.7% y la sensibilidad del 96%.
En comparación, los radiólogos tuvieron una sensibilidad mucho menor para el PCCCL (33.3% y 38.1%) y una precisión de alrededor del 64%. Además, el modelo fue mucho más rápido, tomando solo 4 segundos por caso, mientras que los radiólogos tardaron entre 120 y 150 segundos.
¿Qué significa esto para los pacientes?
Este estudio muestra que la inteligencia artificial puede ser una herramienta valiosa para mejorar el diagnóstico del cáncer de hígado. El modelo Faster RCNN es capaz de distinguir entre PCCCL y CHCC con una precisión y velocidad superiores a las de los radiólogos. Esto podría ayudar a los médicos a tomar decisiones más rápidas y precisas, lo que es crucial para el tratamiento del cáncer.
Sin embargo, es importante recordar que este estudio tiene limitaciones. El número de pacientes con PCCCL fue pequeño, lo que puede afectar la generalización de los resultados. Además, el estudio se realizó en un solo centro, por lo que se necesitan más investigaciones en otros lugares para confirmar estos hallazgos.
¿Qué sigue?
Los investigadores planean realizar estudios más amplios y multicéntricos para validar el modelo. También están explorando la posibilidad de incluir otras modalidades de imágenes, como la resonancia magnética (MRI), y biomarcadores clínicos para mejorar aún más la precisión del diagnóstico.
En resumen, la inteligencia artificial está abriendo nuevas puertas en el campo de la medicina. Este estudio es un ejemplo de cómo la tecnología puede ayudar a los médicos a enfrentar desafíos complejos y mejorar la atención al paciente.
For educational purposes only.
doi.org/10.1097/CM9.0000000000002853