La IA mejora la detección del cáncer colorrectal en tomografías computarizadas de rutina

Los radiólogos suelen pasar por alto ciertos cánceres colorrectales (CCR) durante las tomografías computarizadas abdominopélvicas de rutina, incluso cuando estos cánceres son visibles en las imágenes. Ahora, los investigadores han desarrollado y probado un modelo de inteligencia artificial (IA) diseñado para detectar CCR en tomografías computarizadas (TC) abdominopélvicas de rutina, incluso cuando no se utiliza preparación intestinal.

En un estudio retrospectivo realizado por investigadores del Hospital Severance (Seúl, Corea), se incluyeron 3.945 pacientes. El estudio involucró a un grupo de entrenamiento de 2.662 pacientes con CRC que se habían sometido a una TC abdominopélvica con contraste de rutina antes del tratamiento. Además, los grupos de prueba consistieron en pacientes que se habían sometido a una TC abdominopélvica con contraste de rutina por diversas indicaciones, junto con una colonoscopia en un período de dos meses entre enero y junio de 2018. Un radiólogo, utilizando informes de colonoscopia, identificó qué CRC eran visibles en las tomografías computarizadas y marcó las lesiones en todos los cortes donde se detectó CRC, estableciendo el estándar de referencia.

Los investigadores adaptaron y entrenaron una moderna red de detección de objetos basada en transformadores para desarrollar un modelo de IA que pudiera identificar automáticamente los CRC visibles en cortes DICOM sin procesar de TC. El rendimiento del modelo de IA fue evaluado mediante análisis ROC de respuesta libre alternativa, sensibilidad por lesión y especificidad por paciente. Además, sus resultados en el conjunto de prueba externo fueron comparados con los de dos radiólogos. También se revisaron los informes de radiología clínica. Tanto en el conjunto de prueba interno (93 CRC visibles por TC en 92 pacientes) como en el conjunto de prueba externo (26 CRC visibles por TC en 26 pacientes), el modelo de IA logró un AUC de 0,867 y 0,808, una sensibilidad del 79,6% y 80,8% y una especificidad del 91,2% y 90,9%, respectivamente.

En el conjunto de prueba externo, los radiólogos lograron sensibilidades del 73,1% y el 80,8%, y especificidades del 98,3% y el 98,6%. El modelo de IA logró detectar cinco de los nueve casos de CRC que fueron pasados por alto por al menos uno de los radiólogos. Los informes de radiología clínica levantaron sospechas para el 75,9% de los CRC en el conjunto de pruebas externas. Los hallazgos, publicados en el American Journal of Roentgenology, resaltan el potencial del modelo de IA para automatizar la detección de CRC en exploraciones de TC abdominopélvicas de rutina. Con base en los resultados, los investigadores concluyeron que el modelo de IA podría ayudar a reducir la cantidad de CRC que se pasan por alto durante las exploraciones de rutina realizadas con fines no relacionados con la detección de CRC.

Visitar la expo >

Mini C-arm Imaging System

Fluoroscan InSight FD

Portable Color Doppler Ultrasound Scanner

DCU10

MRI System

Ingenia Prodiva 1.5T CS

New

Mobile Cath Lab

Photon F65/F80