Según algunas estadísticas, la supervivencia a 5 años es del 70% en el estadio I y < 5 % en el estadio IV, en tanto la tasa de curación del carcinoma pulmonar (CaP) in situ es cercana al 100%. Por lo tanto, el diagnóstico precoz del CaP es fundamental. En la práctica clínica actual la detección de CaP se basa, principalmente, en el análisis subjetivo de imágenes de tomografías computadas del tórax.

No obstante lesiones benignas (inflamación, tuberculosis, necrosis) y algunas texturas en las imágenes pulmonares, así como la experiencia de quien las interpreta incrementan el margen de error y hacen poco efectiva su aplicación para el diagnóstico de CaP en etapa temprana. Por su parte las nuevas técnicas broncoscópicas, si bien mejoraron la tasa de diagnóstico de CaP en etapa temprana, la mayoría de estas técnicas son susceptibles a factores externos, tienen una alta tasa de falsos positivos o requieren verificación antes de ser empleadas en la práctica clínica. En cuanto a los marcadores tumorales aún no se ha identificado ninguno con suficiente sensibilidad y especificidad para ser aplicado a la clínica de forma independiente.

En cambio, la tecnología de reconocimiento de inteligencia artificial (IA) se ha aplicado gradualmente al diagnóstico con resultados satisfactorios. Diversos estudios mostraron que el uso de algoritmos de IA para ayudar en el diagnóstico de CaP puede reducir el tiempo requerido para que los radiólogos revisen las imágenes y, proporcionar una base de modelos de referencia para el diagnóstico y tratamiento clínico.

IA aplicada al diagnóstico

Clasificación y diagnóstico citopatológico. El método consiste en generar automáticamente imágenes citológicas usando redes neuronales generativas adversarias (GAN sigla en inglés) * para mejorar las redes neuronales convolucionales profundas  (DCNN sigla en inglés)**. Los resultados aumentan la precisión de la clasificación de imágenes citológicas.

Examen histopatológico. Es útil para catalogar con exactitud los subtipos de CaP a través del análisis de secciones digitales de tejido patológico y predecir supervivencia de los pacientes con CaP de células no pequeñas (NSCLC sigla en inglés)

Detección de marcadores.

Los marcadores tumorales tienen un papel crucial en el diagnóstico. Los ARN largos no codificantes (lncRNA)*** específicos han promovido o inhibido la progresión del CaP y se espera que se utilicen como marcadores de diagnóstico. También, la IA puede ayudar a detectar genes mutados, esencial en el tratamiento y pronóstico del CaP.

Pronóstico.

El modelo de clasificación celular automatizada reproduce las características microambientales de los tumores basándose en la distribución espacial de diferentes tipos de células y generando información cuantitativa valiosa para el pronóstico.

IA aplicada a la LDCT

Se examinaron publicaciones relacionadas con el uso de IA para analizar imágenes de TC de torax y se realizó un metaanálisis para evaluar el valor de la IA para el diagnóstico de CaP, con el fin de proporcionar evidencia para su aplicación clínica. Con la ayuda de STATA16.0, se evaluaron especificidad, sensibilidad, razón de verosimilitud negativa y positiva, razón de diagnóstico, y se trazaron las curvas características de trabajo de los sujetos.

Resultados

En el análisis cualitativo se incluyeron 14 artículos con 5251 pacientes. El metaanálisis mostró que la sensibilidad combinada del sistema de diagnóstico asistido por IA para el diagnóstico de CaP fue de 0.87 con una especificidad de 0.87; la tasa de diagnóstico erróneo fue del 13% y la razón de verosimilitud positiva de 6.5. El cociente de probabilidad negativa fue de 0.15.

Para diagnosticar CaP, los pacientes tuvieron 6.5 veces más probabilidades de obtener un resultado correcto que uno incorrecto, y los pacientes sin CaP tuvieron 0.15 veces más probabilidades de obtener un resultado incorrecto que uno correcto, con una mayor probabilidad de que la IA diagnosticara correctamente a los pacientes con CaP como así como pacientes sin CaP (cociente de diagnóstico de 43). La suma de área bajo la curva de características operativas combinadas (SROC) fue de 0,93 indicando el alto valor de IA para el diagnóstico de CaP.

Comentarios finales y conclusión

Los autores coinciden que el uso tecnologías de IA en el diagnóstico de CaP se ha convertido en un lugar común en la investigación y el trabajo clínico. El diagnóstico asistido por IA utiliza diferentes algoritmos; siendo los de aprendizaje profundo los mejores para estudiar los nódulos pulmonares sospechosos de CaP. Los autores concluyen que la tecnología de de IA puede mejorar efectivamente el diagnostico del CaP temprano, con una mejor sensibilidad y mayor efectividad y celeridad y, devenir en una herramienta auxiliar digna de promoción clínica.

Nota de redaccion:

*redes neuronales adversarias generativas: método de entrenamiento de una red neuronal generadora y otra discriminadora, que compiten entre sí para generar nuevas instancias similares a las de la distribución de probabilidad de los datos de entrenamiento

** redes neuronales convolucionales profundas este método se emplea para analizar y clasificar imágenes, a través del entrenamiento con grandes conjuntos de datos

***ARN largo no codificante ARN compuesto por más de 200 nucleótidos que sin capacidad para codificar proteínas. En el cáncer, tiende a expresarse de forma aberrante, y se relaciona con la evasión de los supresores del crecimiento, la metástasis o la resistencia a medicamentos

Acceso libre al artículo original

Liu M, Wu J, Wang N, et al. (2023) The value of artificial intelligence in the diagnosis of lung cancer: A systematic review and meta-analysis. PLoS ONE 18(3): e0273445. https://doi.org/10.1371/journal. pone.0273445