Video Experimental Relacionado
Updated: Jan 8, 2026
07:53
Author Spotlight: Advancing 3D Modeling for Enhanced Diagnosis and Treatment of Pulmonary Nodules in Early-Stage Lung Cancer
Published on: October 13, 2023
2.0K
Aprovechamiento de incrustaciones 2D de resolución nativa para la clasificación del cáncer de pulmón: un estudio de
Md Enamul Hoq1, Lawrence Tarbox2, Donald Johann2
1Department of Biomedical Informatics, University of Arkansas for Medical Sciences, AR, Little Rock, USA. mhoq@uams.edu.
Journal of imaging informatics in medicine
|December 19, 2025
Resumen
Este estudio presenta una IA práctica para la detección del cáncer de pulmón utilizando tomografías computarizadas de dosis baja. La IA estima eficazmente el riesgo del paciente, mejorando la precisión y la fiabilidad en la identificación de posibles cánceres de pulmón.
Área de la Ciencia:
- Inteligencia artificial en imágenes médicas
- Radiología y diagnóstico por imagen
- Patología computacional
Sus antecedentes:
- El cribado con tomografía computarizada de dosis baja (LDCT) reduce significativamente la mortalidad por cáncer de pulmón, pero se ve obstaculizado por altas tasas de falsos positivos.
- Existe la necesidad de herramientas prácticas de inteligencia artificial (IA) que se alineen con el proceso de revisión basado en cortes común en la práctica clínica.
Objetivo del estudio:
- Evaluar un pipeline de IA 2D eficiente en etiquetas para la estimación del riesgo de cáncer de pulmón a nivel de paciente utilizando incrustaciones RAD-DINO congeladas.
- Evaluar el rendimiento del pipeline de IA en condiciones realistas de prevalencia de cribado e investigar su interpretabilidad.
Principales métodos:
- Un pipeline 2D que utiliza incrustaciones RAD-DINO congeladas de cortes axiales de TC y un perceptrón multicapa (MLP) para la estimación del riesgo.
- Se realizó la estimación del riesgo a nivel de paciente utilizando agregación media y calibración isotónica en el conjunto de datos NLST con una división fija a nivel de paciente.
- El rendimiento se evaluó con prevalencia de cribado (aprox. 6%) utilizando sorteos de prueba desequilibrados repetidos, con análisis secundarios en una cohorte casi equilibrada y tareas de recuperación.
Principales resultados:
- Con prevalencia de cribado, el pipeline RAD-DINO + MLP logró un PR-AUC de 0.705 y un ROC-AUC de 0.817 después de la calibración, lo que demuestra una fiabilidad mejorada de la probabilidad.
- Un análisis secundario en una cohorte equilibrada arrojó métricas de alto rendimiento: precisión 0.966, precisión 0.974, exhaustividad 0.973, F1 0.973 y ROC-AUC 0.912.
- Las tareas de recuperación utilizando incrustaciones ajustadas lograron una precisión@5 de 0.853, y los análisis de interpretabilidad destacaron casos de cáncer con puntuaciones de corte más altas.
Conclusiones:
- Las incrustaciones fundacionales 2D congeladas ofrecen un punto de partida computacionalmente práctico y transparente para los flujos de trabajo de IA de cribado LDCT.
- El pipeline de IA evaluado demuestra eficacia en la estimación del riesgo y potencial para la recuperación de imágenes en el cribado del cáncer de pulmón.
- El trabajo futuro debe centrarse en la validación externa y el aprendizaje autosupervisado nativo de TC para mejorar aún más la aplicabilidad de la IA.
