Inteligencia Artificial Basada en Imágenes en Radiología Vascular e Intervencionista: Una Revisión Narrativa

Área de la Ciencia:

• Radiología
• Imágenes Médicas
• Inteligencia Artificial

Sus antecedentes:

• La IA se destaca en radiología diagnóstica pero tiene una aplicación limitada en RVI debido a la variabilidad de los datos.
• Los procedimientos de radiología vascular intervencionista (RVI) a menudo implican un análisis complejo de imágenes.

Objetivo del estudio:

• Revisar las aplicaciones de IA en las etapas preprocedural, intraprocedural y postprocedural de la RVI.
• Evaluar el impacto de la IA en la atención al paciente utilizando diversas modalidades de imagen.

Principales métodos:

• Búsqueda exhaustiva de literatura en PubMed, Embase y Web of Science.
• Clasificación de estudios de IA por modalidad de imagen (TC, RM, fluoroscopia/DSA, ultrasonido, rayos X, multimodal) y tipo de tarea (segmentación, detección, predicción).

Principales resultados:

• El aprendizaje profundo logró una alta precisión (0.82-0.962) en la segmentación anatómica (p. ej., aneurismas).
• Las tareas de detección de IA mostraron un alto rendimiento (p. ej., 95% de precisión para la detección de endofugas, AUC de 0.97 para estenosis).
• Los modelos de predicción (AUC > 0.90) superaron las evaluaciones clínicas para los resultados después de EVAR, TEVAR, TACE, TARE.

Conclusiones:

• La IA demuestra un potencial transformador en la RVI, particularmente con la radiómica y el aprendizaje automático para la respuesta al tratamiento.
• Los desafíos incluyen limitaciones de datos, sesgos e interpretabilidad.
• La colaboración entre clínicos y expertos en IA es vital para una implementación segura y eficaz en radiología intervencionista.