La IA detecta el cáncer temprano a partir de imágenes

¿Quieres saber cómo la IA detecta el cáncer temprano a partir de imágenes? ¡Descubre más detalles con INVIAI en este artículo!

La detección temprana del cáncer mejora considerablemente la supervivencia. La inteligencia artificial (IA) ahora ayuda a los médicos a identificar tumores en imágenes médicas de forma más rápida y precisa.

Al entrenar modelos de aprendizaje profundo con miles de escaneos y diapositivas anotadas, la IA puede aprender patrones que incluso los clínicos expertos podrían pasar por alto.

En la práctica, las herramientas de IA analizan imágenes como mamografías, tomografías computarizadas de tórax, radiografías, resonancias magnéticas, ecografías y diapositivas de patología, señalando áreas sospechosas y cuantificando el riesgo.

Por ejemplo, una ecografía mejorada con IA ayudó a una paciente a evitar una biopsia tiroidea innecesaria al mostrar que su bulto era benigno.

Los expertos consideran que la IA en el cuidado del cáncer es “una oportunidad sin precedentes” para mejorar el diagnóstico y el tratamiento.

Cómo la IA analiza imágenes médicas

Los sistemas de IA para imágenes suelen usar aprendizaje profundo (especialmente redes neuronales convolucionales) entrenadas con grandes conjuntos de datos. Durante el entrenamiento, el algoritmo aprende a extraer características (como formas, texturas, colores) que distinguen el tejido canceroso del sano.

Una vez entrenado, el modelo de IA escanea nuevas imágenes y resalta patrones que coinciden con las características cancerosas aprendidas.

En efecto, la IA se convierte en un “segundo lector” súper sensible, señalando lesiones sutiles que un humano podría pasar por alto. Por ejemplo, una IA que revisa una mamografía o una rebanada de TC puede marcar pequeñas calcificaciones o nódulos con cuadros de colores y alertas para que el radiólogo los inspeccione.

Los análisis de IA también pueden estimar el riesgo: algunos algoritmos predicen el riesgo futuro de cáncer de un paciente a partir de una sola imagen (usando correlaciones aprendidas), permitiendo a los médicos personalizar los intervalos de cribado.

En un caso, una ecografía tiroidea analizada por IA identificó de forma concluyente tejido benigno, coincidiendo con los resultados posteriores de la biopsia y evitando ansiedad adicional a la paciente.

Detección del cáncer de mama

La mamografía es un ejemplo clave donde la IA está teniendo un impacto. Los estudios muestran que el apoyo de la IA puede mejorar significativamente la detección del cáncer de mama en el cribado.

En un gran ensayo en Alemania, los radiólogos asistidos por una herramienta de IA encontraron un 17,6 % más de cánceres que sin IA.

Específicamente, el grupo asistido por IA detectó 6,7 cánceres por cada 1,000 mujeres frente a 5,7 por cada 1,000 en el grupo estándar, mientras que incluso redujo ligeramente la tasa de llamadas para revisión (falsas alarmas).

En términos generales, la IA en mamografía puede:

• Mejorar la sensibilidad y especificidad. Investigaciones financiadas por el NCI reportan que los algoritmos de IA “mejoran la detección del cáncer de mama en mamografías” y también pueden ayudar a predecir qué lesiones se volverán invasivas más adelante.
• Identificar hallazgos sutiles. La IA puede señalar pequeños grupos de microcalcificaciones o asimetrías que son fáciles de pasar por alto durante el cribado rutinario, actuando como un lector experto adicional.
• Reducir la carga de trabajo y la variabilidad. Al preseleccionar imágenes, la IA puede priorizar casos sospechosos para los radiólogos, ayudando a manejar el aumento en el volumen de mamografías.

Cabe destacar que la FDA ha aprobado varias herramientas de mamografía asistidas por IA (por ejemplo, iCAD, SmartMammo de DeepHealth) para uso clínico, reconociendo su capacidad para detectar cánceres temprano en entornos reales.

Detección del cáncer de pulmón

La IA también se está aplicando a la detección del cáncer de pulmón en imágenes médicas. Las tomografías computarizadas de baja dosis (TCBD) se usan para el cribado de fumadores de alto riesgo; la IA puede mejorar esto aumentando la calidad de imagen y la detección de lesiones.

Una ventaja es la reducción de dosis: los algoritmos de reconstrucción de imágenes basados en IA pueden producir imágenes claras de TC con aún menos radiación que las TCBD actuales.

Además, los sistemas de detección asistida por computadora (CAD) basados en IA escanean automáticamente cada rebanada de TC en busca de nódulos. Cuando se encuentra un posible nódulo, la IA lo marca en la imagen para que el médico lo examine.

En resumen, la IA puede funcionar como un segundo lector sensible en imágenes pulmonares.

Por ejemplo, modelos recientes muestran alta sensibilidad tanto para nódulos benignos como malignos (con sistemas de investigación detectando más del 90 % de los nódulos en escaneos de prueba). La FDA de EE. UU. ha aprobado herramientas de IA para asistir en el cribado del cáncer de pulmón, reconociendo su papel en el diagnóstico temprano.

La IA también puede ayudar a personalizar el cribado: combinando imágenes con datos del paciente, los algoritmos pueden estratificar quién necesita escaneos más frecuentes.

(Sin embargo, los estudios actuales de CAD muestran que, aunque la IA encuentra más nódulos en total, la mayoría del aumento corresponde a nódulos pequeños y de bajo riesgo, y aún no ha incrementado de forma significativa la detección de lesiones avanzadas.)

Cáncer de piel (melanoma)

La imagen dermoscópica (fotografías ampliadas de la piel) es otra área donde la IA destaca. Modelos de aprendizaje profundo de última generación entrenados con decenas de miles de imágenes de lesiones cutáneas pueden clasificar lunares como benignos o malignos con alta precisión.

En un estudio reciente, una red neuronal mejorada logró una precisión del 95–96 % en la identificación de melanoma en etapa temprana a partir de imágenes dermoscópicas.

Esto es importante: el melanoma en etapa temprana tiene un pronóstico excelente (alrededor del 98 % de supervivencia a 5 años), mientras que la supervivencia en etapas avanzadas es mucho menor.

Al resaltar lunares sospechosos para biopsia, la IA podría ayudar a los dermatólogos a diagnosticar el melanoma más pronto.

Incluso se están desarrollando aplicaciones móviles o dispositivos que evalúan un lunar fotografiado y estiman su riesgo, ampliando potencialmente la detección temprana en atención primaria.

Detección del cáncer cervical

La IA está mejorando el cribado del cáncer cervical mediante el análisis de imágenes digitales del cuello uterino. Por ejemplo, el sistema CerviCARE utiliza aprendizaje profundo en fotos de “cervicografía” (imágenes similares a colposcopía) para distinguir lesiones precancerosas.

En un ensayo multicéntrico, la IA de CerviCARE alcanzó una sensibilidad del 98 % para lesiones cervicales de alto grado (CIN2+), con una especificidad del 95,5 %.

En la práctica, esta IA podría asistir en lugares con escasez de colposcopistas expertos: el algoritmo resalta automáticamente las áreas de preocupación, ayudando a asegurar que no se pase por alto tejido precanceroso.

Este tipo de IA funciona junto con la citología tradicional y las pruebas de VPH para detectar la enfermedad temprano.

El NCI también destaca investigaciones sobre IA para automatizar la detección de precáncer en el cribado cervical.

Detección del cáncer de colon y recto

Durante la colonoscopía, la IA asiste en tiempo real. Los sistemas modernos analizan continuamente la transmisión de video del colonoscopio. Cuando la cámara capta un pólipo o tejido sospechoso, la IA lo resalta en pantalla (a menudo con un cuadro de color y una alerta audible) para captar la atención del médico.

Colonoscopía asistida por IA: el sistema ha identificado un pólipo “plano” (resaltado en azul) que el médico puede extirpar.

Los estudios muestran que usar IA en colonoscopía aumenta el número total de pólipos detectados, especialmente adenomas pequeños. Esto significa que la IA puede ayudar a los médicos a detectar más crecimientos tempranos que podrían pasar desapercibidos.

En un gran ensayo (el estudio CADILLAC), la detección global de adenomas aumentó con la asistencia de IA. Sin embargo, los expertos también señalan que la mayoría del aumento fue en pólipos diminutos y de bajo riesgo, y que añadir IA no incrementó significativamente la detección de adenomas grandes y de alto riesgo en ese estudio.

En otras palabras, la IA es excelente para señalar muchas lesiones pequeñas, pero aún se está evaluando si mejora la detección de los precánceres más peligrosos.

Aun así, un “segundo ojo” de IA puede reducir errores por fatiga y disminuir la variabilidad entre médicos. La FDA ha aprobado sistemas de IA (CADe) para colonoscopías clínicas que ayudan a los endoscopistas en la detección de pólipos.

IA en patología y otras imágenes

El alcance de la IA va más allá de la imagenología en vivo hacia la patología y escaneos especializados. Las diapositivas digitales de patología (escaneos de alta resolución de biopsias de tejido) están siendo analizadas por algoritmos de IA.

Por ejemplo, una nueva IA llamada CHIEF fue entrenada con más de 60,000 imágenes de diapositivas completas en 19 tipos de cáncer.

Detecta automáticamente células cancerosas en la diapositiva e incluso predice el perfil molecular del tumor a partir de características visuales. En pruebas, CHIEF alcanzó ~94 % de precisión en la detección de cáncer en diapositivas no vistas previamente en múltiples órganos.

De manera similar, la FDA ha aprobado software de IA para resaltar regiones cancerosas en muestras de biopsias de próstata, ayudando a los patólogos a enfocarse en áreas críticas. También se aprueban herramientas de IA para la interpretación de resonancias cerebrales y ecografías de nódulos tiroideos, entre otras.

En resumen, la IA se está convirtiendo en un asistente versátil: desde escaneos de RM/TC hasta radiografías y diapositivas de microscopio, señala anomalías que merecen atención.

Beneficios de la IA en la detección temprana

En todas las aplicaciones, la IA ofrece varias ventajas clave para detectar el cáncer temprano:

• Mayor sensibilidad: La IA puede detectar signos muy sutiles. En el cribado mamario, la IA identificó aproximadamente entre un 20 y un 40 % de cánceres de intervalo (tumores que se pasaron por alto en la primera lectura) cuando se aplicó retrospectivamente a mamografías previas.
  Esto significa que la IA puede revelar cánceres antes que los lectores humanos por sí solos.
• Precisión y eficiencia: Los estudios muestran que las lecturas asistidas por IA conducen a menos falsos negativos y, a veces, a menos falsos positivos.
  Por ejemplo, la mamografía con apoyo de IA aumentó el valor predictivo positivo de la biopsia (es decir, cánceres por biopsia) en un ensayo alemán.
• La IA puede procesar imágenes más rápido que un humano, permitiendo que los programas de cribado manejen cargas de trabajo crecientes sin sacrificar calidad.
• Calidad consistente: A diferencia de los humanos, la IA no se cansa ni pasa por alto detalles por distracción.
  Proporciona un nivel uniforme de análisis en todos los casos, lo que puede reducir la variabilidad entre radiólogos.
• Evitar procedimientos innecesarios: Al distinguir con mayor precisión lesiones benignas de malignas, la IA puede evitar pruebas innecesarias para los pacientes.
  En el ejemplo tiroideo, la IA descartó con confianza el cáncer sin necesidad de biopsia.
• En dermatología, las aplicaciones de IA pueden tranquilizar a los pacientes sobre lunares benignos.
  En general, el objetivo es el cribado de precisión: encontrar lo que realmente necesita intervención y evitar el sobretratamiento.
• Acceso global: En regiones con pocos especialistas, las herramientas de IA pueden extender el cribado a nivel experto a clínicas remotas.
  Por ejemplo, un colposcopio con IA podría ayudar a enfermeras a realizar cribados de cáncer cervical en áreas con pocos recursos.

“Los enfoques potenciados por IA pueden mejorar la capacidad de los clínicos para evaluar cánceres de manera eficiente y precisa”. En muchos ensayos, combinar la IA con la experiencia médica supera a cualquiera de los dos por separado, como consultar a un colega experto.

Desafíos y consideraciones

La IA también presenta desafíos. Los modelos entrenados con datos limitados o poco diversos pueden no funcionar igual de bien para todos los pacientes. Por ejemplo, los detectores de lesiones cutáneas basados en IA deben entrenarse con tonos de piel variados para evitar sesgos.

Las herramientas dermoscópicas de IA han señalado lagunas en el rendimiento con imágenes que contienen artefactos (como vellos o mala iluminación) y en tipos de lesiones poco representadas.

En el cribado, más detecciones pueden significar más falsas alarmas: la colonoscopía asistida por IA señaló muchos pólipos pequeños, algunos de los cuales podrían no progresar a cáncer.

Extirpar cada pequeña lesión conlleva riesgos propios (pequeña posibilidad de sangrado o perforación). Por ello, los clínicos deben equilibrar la sensibilidad de la IA con la especificidad para evitar sobrediagnósticos.

Integrar la IA en los flujos clínicos no es trivial. Los hospitales necesitan software validado y aprobado por la FDA, además de capacitación para el personal. Existen preguntas regulatorias y de responsabilidad sobre quién responde si la IA pasa por alto un cáncer.

Muchos investigadores enfatizan que la IA es una herramienta, no un reemplazo; como dijo un radiólogo, usar IA es como “consultar a un colega brillante”. Los ensayos en curso y estudios post-comercialización son esenciales para asegurar que estas herramientas realmente mejoren los resultados.

Direcciones futuras

El futuro de la IA en la detección del cáncer es prometedor. Los investigadores están desarrollando “modelos base” (IA grandes entrenadas con conjuntos de datos enormes) que pueden manejar muchas tareas a la vez. CHIEF de Harvard es un ejemplo: fue entrenado como un “ChatGPT para patología” con millones de fragmentos de imágenes, y funciona en múltiples tipos de cáncer.

Enfoques similares pronto podrían combinar imágenes con datos genéticos y clínicos para un cribado ultra personalizado. La IA multimodal podría predecir no solo si hay cáncer, sino qué tan agresivo será, guiando la intensidad del seguimiento.

El rendimiento de la IA también mejora rápidamente con nuevas técnicas. Los sistemas CAD de próxima generación usan arquitecturas avanzadas de redes neuronales y modelos de lenguaje grandes para interpretar imágenes. Para el cáncer de pulmón, los expertos señalan que los sistemas antiguos eran “primitivos” comparados con los modelos actuales, y esperan que las nuevas versiones sean mucho mejores.

Estudios internacionales (como ensayos multicéntricos en Europa y EE. UU.) están en marcha para validar herramientas de IA a gran escala. A medida que se acumulan datos, la IA aprenderá de resultados reales, refinando continuamente su precisión.

En resumen, la IA ya está ayudando a los médicos a detectar cánceres más temprano a partir de imágenes médicas – desde mamografías y tomografías hasta fotos de piel y diapositivas de biopsias. Aunque persisten desafíos, la investigación avanzada y las aprobaciones regulatorias sugieren un futuro donde la IA será un aliado estándar en el cribado del cáncer.

Al detectar tumores en las etapas más tempranas, cuando el tratamiento es más efectivo, estas tecnologías podrían mejorar los resultados para muchos pacientes en todo el mundo.