Métodos de diagnóstico para el cáncer de páncreas con la técnica de aprendizaje profundo: una revisión y un...

Área de la Ciencia:

• Inteligencia Artificial en Oncología
• Imágenes y diagnósticos médicos
• Patología computacional

Sus antecedentes:

• El diagnóstico del adenocarcinoma ductal pancreático (PDAC) a menudo se retrasa debido a síntomas no específicos, lo que limita las opciones quirúrgicas.
• Los métodos de diagnóstico tradicionales para el cáncer de páncreas (PC) tienen limitaciones en la detección temprana.
• El aprendizaje profundo (DL) ofrece potencial para mejorar el diagnóstico temprano de PC a través de análisis computacional avanzado.

Objetivo del estudio:

• Revisar y resumir los métodos de diagnóstico basados en el aprendizaje profundo (DL) para el cáncer de páncreas precoz (PC).
• Identificar las direcciones de investigación futuras para la detección temprana de PC.
• Evaluar el rendimiento diagnóstico de los algoritmos DL en PC.

Principales métodos:

• Revisión sistemática siguiendo las directrices de PRISMA-ScR, buscando en las principales bases de datos estudios de los últimos 5 años.
• Criterios de inclusión: pacientes con PDAC, DL para el diagnóstico, histopatología como referencia, datos suficientes.
• Metaanálisis de 7 estudios seleccionados utilizando QUADAS-2 para la evaluación de la calidad y StataMP 17 para el análisis estadístico.

Principales resultados:

• El aprendizaje profundo (DL) logró una alta precisión (80%-98,9%) en el diagnóstico temprano del cáncer de páncreas (PC).
• La sensibilidad y especificidad combinadas fueron de 0,92, con un AUC de 0,97, lo que indica un buen rendimiento diagnóstico.
• La ecografía endoscópica (EUS) y el CE-CT fueron métodos clave de imagen; los enfoques de DL sin imágenes (marcadores de orina, trayectoria de la enfermedad) también mostraron ser prometedores.

Conclusiones:

• La inteligencia artificial (IA) demuestra un potencial significativo para la orientación clínica en la predicción y el diagnóstico del riesgo de cáncer de páncreas (PC).
• La investigación futura debe centrarse en la integración de datos multimodales (genómica, biomarcadores), los estudios multicéntricos y la IA explicable.
• Abordar los desafíos en el diagnóstico de cánceres de páncreas pequeños y mejorar la interpretabilidad del modelo de IA es crucial para la traducción clínica.