Modelo de aprendizaje profundo con indexación de nódulos adaptado para la detección temprana del cáncer de pulmón

Área de la Ciencia:

• Radiología; Inteligencia Artificial; Imagen Médica

Sus antecedentes:

• La detección de nódulos pulmonares en TC es crucial para el diagnóstico temprano del cáncer de pulmón.; Los cánceres de pulmón sutiles y en etapa temprana presentan desafíos diagnósticos para los radiólogos.; Los sistemas de IA basados en aprendizaje profundo ofrecen potencial para mejorar la precisión diagnóstica.

Objetivo del estudio:

• Evaluar el impacto de un sistema de IA de aprendizaje profundo en el rendimiento de los radiólogos en la detección de nódulos pulmonares.; Evaluar la capacidad del sistema de IA para mejorar la estratificación del riesgo de malignidad y la indexación de nódulos.; Validar el rendimiento de la IA en un conjunto de datos enriquecido con cánceres de pulmón en etapa temprana difíciles.

Principales métodos:

• Un estudio de lectores cruzado de dos brazos que involucró a 16 radiólogos certificados por la junta que interpretaron 340 TC.; Los radiólogos interpretaron TC con y sin asistencia de IA, con un período de abstinencia de un mes.; Se empleó el análisis ROC localizado (LROC) para evaluar el rendimiento en un conjunto de datos que incluía casos de cribado y no cribado.

Principales resultados:

• La asistencia de IA mejoró significativamente el AUC LROC de los radiólogos para la detección de cáncer (0,761 frente a 0,652) y todos los nódulos (0,830 frente a 0,734).; La sensibilidad media aumentó del 0,585 al 0,727 con IA, mientras que la especificidad se mantuvo estable.; El tiempo de interpretación se redujo en un 12,9 % (media de 133 a 115,9 segundos) con la asistencia de IA.

Conclusiones:

• El sistema de IA de aprendizaje profundo mejoró sustancialmente el rendimiento de los radiólogos en la detección de nódulos pulmonares.; El sistema de IA demostró beneficios consistentes en varios tipos de nódulos y contextos de cribado.; Se respalda la integración de este sistema de IA en los flujos de trabajo de interpretación de TC de tórax de rutina.