Precisión diagnóstica de los modelos radiómicos basados en la tomografía computarizada (TC) y la inteligencia...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia Artificial en Oncología
• La radiomía

Sus antecedentes:

• El carcinoma hepatocelular (HCC) es una de las principales causas mundiales de mortalidad por cáncer.
• El rendimiento diagnóstico de los modelos de IA y radiómica para la detección de HCC mediante CECT requiere una mayor investigación.

Objetivo del estudio:

• Revisar y metaanalizar sistemáticamente el rendimiento diagnóstico de los modelos de aprendizaje automático y radiómica para la detección de HCC.
• Evaluar la utilidad de los enfoques basados en la inteligencia artificial en el diagnóstico de CHC basado en CECT.

Principales métodos:

• Una búsqueda sistemática de la literatura (2015-2025) identificó 29 estudios.
• Se incluyeron en el metanálisis 17 estudios con indicadores de rendimiento independientes.
• La sensibilidad combinada, la especificidad, la precisión y la puntuación F1 se calcularon utilizando un modelo de efectos aleatorios.

Principales resultados:

• La sensibilidad y especificidad agregadas generales para los modelos en conjuntos de datos de ensayos independientes fueron de 0,562 y 0,570.
• Los modelos específicos de radiómica mostraron una mayor sensibilidad (0,660) y especificidad (0,670) con baja heterogeneidad.
• Los modelos combinados mostraron un rendimiento más bajo y una alta heterogeneidad, posiblemente debido a la falta de validación independiente.

Conclusiones:

• Los modelos radiómicos en conjuntos de datos independientes demuestran una precisión de diagnóstico consistente para la detección de HCC a través de CECT.
• La variabilidad metodológica requiere informes estandarizados y validación externa.
• La integración de la IA explicable es crucial para la adopción clínica de estas herramientas de diagnóstico.