Detección de metaplasia intestinal basada en aprendizaje automático identifica casos clínicamente omitidos

Área de la Ciencia:

• Gastroenterología
• Patología computacional
• Oncología

Sus antecedentes:

• La metaplasia intestinal gástrica (GIM) es un factor de riesgo significativo para el cáncer gástrico.
• El diagnóstico preciso de GIM es crucial para la toma de decisiones clínicas y el manejo del paciente.
• Los métodos de diagnóstico actuales pueden estar sujetos a diagnósticos omitidos.

Objetivo del estudio:

• Desarrollar y evaluar una canalización de inteligencia artificial (IA) para detectar diagnósticos omitidos de GIM.
• Crear enfoques automatizados para cuantificar GIM a partir de datos de patología.
• Evaluar el rendimiento de la IA en la revisión de imágenes de cortes completos e informes de patología.

Principales métodos:

• Se desarrolló una canalización de IA, que incluye un clasificador basado en parches, para la detección de GIM.
• La canalización analizó 1935 especímenes de biopsia gástrica, comparando los hallazgos de la IA con los informes de patología clínica.
• Los casos discrepantes fueron revisados por tres patólogos independientes; un modelo de lenguaje grande evaluó el texto del informe.

Principales resultados:

• La canalización de IA identificó GIM no detectada previamente en 30 de 297 casos revisados (aproximadamente 1,5% de las muestras).
• La cuantificación de GIM por IA mostró una fuerte concordancia con la puntuación humana (coeficiente de correlación de Spearman = 0,90).
• Un modelo de lenguaje grande logró una precisión del 99,3% en la categorización de informes de patología para la presencia de GIM.

Conclusiones:

• Una canalización de garantía de calidad basada en IA puede detectar GIM omitida, abordando una brecha diagnóstica.
• El análisis automatizado de IA ofrece información cuantitativa que podría ayudar en el manejo de GIM.
• Las herramientas de IA muestran una promesa en la mejora de la precisión y la eficiencia del diagnóstico de GIM.