Inteligencia artificial en el diagnóstico y la evaluación basada en imágenes del prolapso de órganos pélvicos: una...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• Trastornos del suelo pélvico

Sus antecedentes:

• El prolapso de órganos pélvicos (POP) es una condición prevalente que requiere un diagnóstico preciso y una planificación del tratamiento.
• Las imágenes médicas juegan un papel crucial en la evaluación de POP.
• La inteligencia artificial (IA), especialmente el aprendizaje profundo (DL), es una herramienta que avanza rápidamente en el análisis de imágenes médicas.

Objetivo del estudio:

• Realizar una revisión de alcance de la evidencia actual sobre las aplicaciones de la IA en el diagnóstico basado en imágenes y la evaluación anatómica de POP.
• Sintetizar los hallazgos sobre las metodologías de IA utilizadas para la evaluación de los POP.

Principales métodos:

• Se realizó una búsqueda exhaustiva de la literatura siguiendo las pautas de PRISMA-ScR en PubMed, Scopus y Web of Science (enero de 2020 - abril de 2025).
• Los estudios incluidos fueron los que aplicaron IA (CNN, ViT, modelos híbridos) a ultrasonido y resonancia magnética para mujeres con POP.
• Ocho estudios cumplieron con los criterios de inclusión.

Principales resultados:

• La IA se aplicó a la ecografía 2D / 3D y la resonancia magnética para la segmentación, la localización de puntos de referencia y la clasificación del prolapso.
• Las redes neuronales convolucionales (CNN) y los transformadores de visión (ViT) demostraron una alta precisión de diagnóstico.
• Las limitaciones incluyen la dependencia de conjuntos de datos internos, la limitada interpretabilidad y la falta de validación externa o despliegue clínico.

Conclusiones:

• La IA tiene un potencial significativo para mejorar el diagnóstico de POP a través del análisis de imágenes médicas mejoradas.
• Las aplicaciones actuales de IA son principalmente exploratorias y requieren un mayor desarrollo.
• La investigación futura debe centrarse en la validación externa, la estandarización, la IA explicable y la implementación clínica para mejorar la utilidad.