Detección del cáncer de pulmón: el modelo de inteligencia artificial supera a los radiólogos

  • Ardila D & al.
  • Nat Med
  • 1 jun. 2019

  • de Deepa Koli
  • Univadis Clinical Summaries
El acceso al contenido completo es sólo para profesionales sanitarios registrados. El acceso al contenido completo es sólo para profesionales sanitarios registrados.

Punto clave

  • Un modelo de inteligencia artificial de aprendizaje profundo detectó cáncer de pulmón maligno en exploraciones mediante tomografía computarizada (TAC) torácica en dosis bajas con un rendimiento que coincidía o excedía al de los radiólogos.

Por qué es importante

  • Si se valida clínicamente, este modelo puede mejorar la precisión y optimizar el cribado.

Puntos destacados

  • El algoritmo de aprendizaje profundo tenía 3 componentes principales:
    • modelo que analizaba volúmenes de TAC enteros con cáncer,
    • modelo de detección para la región de interés sospechosa y
    • modelo de predicción del riesgo independiente en el que también se incluyeron las exploraciones anteriores si se disponía de ellas.
  • Para el desarrollo se utilizó el conjunto de datos del ensayo nacional de cribado del cáncer de pulmón (National Lung Cancer Screening Trial, NLST, n = 14 851); 578 pacientes con cáncer de pulmón confirmado por biopsia).
    • En el conjunto de datos de la prueba (n = 6716 casos; 86 casos de cáncer), el modelo alcanzó un área bajo la curva (ABC) del 94,4 %.
  • Revisaron el conjunto de datos de la prueba de subconjuntos del NLST (n = 507; 83 casos de cáncer) 6 radiólogos.
    • Cuando se utilizaron volúmenes de TAC solo del año actual, el modelo alcanzó un ABC del 95,9 % con sensibilidad y especificidad superiores a las obtenidas por el radiólogo medio.
    • Cuando se utilizaron volúmenes de TAC tanto de los años actuales como de los anteriores, el ABC del modelo fue del 92,6 % y coincidió con la sensibilidad y la especificidad del evaluador medio.
  • En una cohorte independiente (n = 1739; 27 casos de cáncer), el ABC del modelo fue del 95,5 % con sensibilidad y especificidad del 81,5 % y del 89,3 %, respectivamente, para los nódulos de categoría ≥ 3 en el sistema de datos y notificación de las imágenes de pulmón.