Ronald Palacios Castrillo
Resumen
El adenocarcinoma ductal pancreático (PDAC), la neoplasia maligna sólida más letal, generalmente se detecta tarde y en una etapa inoperable.
La detección temprana o incidental se asocia con una supervivencia prolongada, pero la detección de PDAC en personas asintomáticas mediante una sola prueba sigue siendo inviable debido a la baja prevalencia y los posibles daños de los falsos positivos.
La tomografía computarizada (TC) sin contraste, que se realiza de forma rutinaria para indicaciones clínicas, ofrece la posibilidad de realizar pruebas de detección a gran escala; sin embargo, la identificación del PDAC mediante TC sin contraste se ha considerado durante mucho tiempo imposible.
=> Recibir por Whatsapp las noticias destacadas
Ahora, Cao, K., Xia, Y., Yao, J. et al. (Large-scale pancreatic cancer detection via non-contrast CT and deep learning. Nat Med (2023). https://doi.org/10.1038/s41591-023-02640-w), desarrollaron un enfoque de aprendizaje profundo, la detección del cáncer de páncreas con inteligencia artificial (PANDA), que puede detectar y clasificar lesiones pancreáticas con alta precisión mediante TC sin contraste. PANDA está capacitado en un conjunto de datos de 3208 pacientes de un solo centro.
PANDA logra un área bajo la curva característica operativa del receptor (AUC) de 0,986–0,996 para la detección de lesiones en una validación multicéntrica que involucró a 6239 pacientes en 10 centros, supera el desempeño medio del radiólogo en un 34,1% en sensibilidad y un 6,3% en especificidad para la identificación de PDAC y logra una sensibilidad del 92,9% y una especificidad del 99,9% para la detección de lesiones en una validación multiescenario del mundo real que consta de 20.530 pacientes consecutivos.
En particular, PANDA utilizado con TC sin contraste muestra no inferioridad con respecto a los informes radiológicos (utilizando TC con contraste) en la diferenciación de subtipos de lesiones pancreáticas comunes. PANDA podría servir potencialmente como una nueva herramienta para la detección del cáncer de páncreas a gran escala.
El adenocarcinoma ductal pancreático (PDAC) es la neoplasia maligna sólida más letal en todo el mundo y causa aproximadamente 466.000 muertes por año.
A pesar del mal pronóstico del PDAC, se ha demostrado que su detección temprana o incidental mejora sustancialmente la supervivencia del paciente.
Estudios recientes indican que las personas de alto riesgo con PDAC detectado mediante pruebas de detección tienen una mediana de supervivencia general de 9,8 años, sustancialmente más que los 1,5 años de aquellos diagnosticados fuera de vigilancia (por ejemplo, mediante técnicas de diagnóstico clínico estándar).
Como tal, el cribado del PDAC es el más prometedor para reducir la mortalidad relacionada con el PDAC. Sin embargo, debido a la prevalencia relativamente baja de PDAC, la detección eficaz en la población general requiere una alta sensibilidad y una especificidad excepcionalmente alta para mitigar el riesgo de sobrediagnóstico.
Las técnicas de detección actuales son limitadas a este respecto y, por lo tanto, no pueden implementarse en la población general con la urgencia necesaria.
La tomografía computarizada (TC) sin contraste se utiliza ampliamente en centros de exploración física y hospitales en regiones de bajos recursos.
En comparación con la TC con contraste (la principal modalidad de imagen para diagnosticar PDAC), la TC sin contraste expone a los pacientes a dosis de radiación más bajas y elimina el riesgo de reacciones adversas a los agentes de contraste.
Además de la TC abdominal sin contraste que se utiliza habitualmente en los departamentos de urgencias y hospitales comunitarios, la TC sin contraste de tórax también puede explorar total o parcialmente la región del páncreas y es el examen de TC que se realiza con más frecuencia (es decir, representa casi el 40% de los casos). todos realizaron exámenes de TC) en múltiples escenarios clínicos, como para la detección del cáncer de pulmón. Aunque identificar PDAC a partir de TC sin contraste es un desafío incluso para radiólogos experimentados, estudios recientes han demostrado que la inteligencia artificial (IA) puede igualar o superar a los expertos humanos en diversas tareas de análisis de imágenes médicas; Además, la IA es capaz de sintetizar imágenes médicas con contraste a partir de imágenes normales.
El cribado oportunista basado en IA22 mediante TC sin contraste tiene el potencial de avanzar en la detección temprana del PDAC en la vasta población de pacientes asintomáticos en varios dominios clínicos, con un coste adicional mínimo y una exposición a la radiación.
En este estudio los investigadores demuestran que su enfoque de IA propuesto, PANDA (detección de cáncer de páncreas con IA, Fig. 1), es capaz de detectar y diagnosticar lesiones PDAC y no PDAC en TC sin contraste con alta precisión y puede utilizarse fácilmente para cribado oportunista en poblaciones de pacientes asintomáticos a gran escala.
Esto dará como resultado una detección segura y eficaz de neoplasias malignas en etapa temprana que las técnicas de diagnóstico de atención estándar no detectan y, en algunos casos, permitirá un tratamiento oportuno con la intención de curar.
Su estudio primero evalúa PANDA internamente en tomografías computarizadas abdominales sin contraste y compara su desempeño con los resultados de dos estudios de lectores que involucran a 48 radiólogos en tomografías computarizadas sin contraste y con contraste, respectivamente.
Luego validaron PANDA en una gran cohorte de prueba multicéntrica externa (n = 5337) para evaluar su generalización a diversos entornos. Para aumentar el rango de poblaciones de pacientes aplicables, estudiaron la viabilidad de aplicar PANDA en la TC de tórax.
Finalmente, para validar las cuestiones críticas relacionadas con la traducción clínica realista, exploraron la integración de PANDA en múltiples escenarios a gran escala del mundo real de procesos clínicos de rutina, que involucran a 20,530 pacientes consecutivos de cuatro entornos (es decir, examen físico, emergencia, ambulatorios y hospitalizados) con tomografías computarizadas sin contraste disponibles de abdomen o tórax.
A, Desarrollo del modelo. PANDA toma la TC sin contraste como entrada y genera la probabilidad y la máscara de segmentación de posibles lesiones pancreáticas, incluidos PDAC y siete subtipos no PDAC; PANDA se entrenó con etiquetas a nivel de paciente confirmadas por patología y máscaras de lesiones anotadas en imágenes de TC de contraste. PC, pancreatitis crónica. b, Evaluación del modelo.
Evaluaron el desempeño de PANDA en la cohorte de prueba interna, dos estudios de lectores (en TC sin contraste y con contraste, respectivamente), cohortes de prueba externas que constan de nueve centros, una cohorte de TC de tórax y estudios de múltiples escenarios del mundo real (El ensayo clínico incluye dos estudios del mundo real; chictr.org.cn, ChiCTR2200064645). c, Modelo de traducción clínica.
La evaluación clínica del mundo real responde a cinco preguntas críticas para cerrar la brecha traslacional clínica de PANDA.
Los investigadores presentan y describen a PANDA, un modelo de IA que detecta las siete lesiones pancreáticas más comunes y «otras», y diagnostica los subtipos de lesiones en tomografías computarizadas sin contraste de rutina.
Esta tarea se ha considerado imposible durante mucho tiempo para los radiólogos y, como tal, la TC y/o la RM con contraste y la ecografía endoscópica (USE) se han utilizado como modalidades de diagnóstico por imágenes reconocidas y recomendadas.
Los investigadores lo demostraron al seleccionar un gran conjunto de datos que cubre tipos comunes de lesiones pancreáticas confirmadas por patología, transfiriendo anotaciones de lesiones de TC con contraste a TC sin contraste, diseñando un enfoque de aprendizaje profundo que incorpora una arquitectura de red en cascada para la detección de lesiones y un transformador de memoria para el páncreas.
Al modelar la información de diagnóstico de lesiones y aprender de la retroalimentación del mundo real, PANDA, que utiliza únicamente TC sin contraste como entrada, logra una alta sensibilidad y una especificidad excepcionalmente alta en la detección de lesiones pancreáticas, con una precisión significativamente mayor que la de los radiólogos en la atención primaria, diagnóstico entre PDAC y no PDAC, y precisión no inferior a los informes radiológicos en el diagnóstico diferencial de los ocho subtipos de lesiones pancreáticas antes mencionados.
PANDA exhibe una generalización efectiva a centros externos, distintos protocolos de imágenes y poblaciones del mundo real.
La generalización favorable de PANDA se puede atribuir a los siguientes factores. En primer lugar, los datos de capacitación provienen de un hospital terciario de gran volumen, que abarca una representación diversa de la población china. En segundo lugar, es probable que la TC sin contraste sea una modalidad más generalizable para los modelos de IA que la TC con contraste.
En tercer lugar, su enfoque combina segmentación (capturando la base patológica local) y clasificación, lo que reduce el riesgo de sobreajuste de los modelos de IA basados puramente en clasificación. En cuarto lugar, el modelo se ha ajustado para producir una especificidad del 99 % durante la validación cruzada en el conjunto de entrenamiento grande (n = 3208), para lograr un control confiable de los falsos positivos.
En quinto lugar, el aprendizaje continuo del modelo de IA mejora la especificidad al 99,9% mediante el ajuste con falsos positivos de centros externos y del mundo real. Y por último, con respecto a los datos de entrenamiento, los casos y controles tienen protocolos de imágenes de TC similares (por ejemplo, grosor del corte, índice de dosis de TC, agua oral), lo que obliga al modelo a centrarse en los objetivos de aprendizaje primarios en lugar de ajustarse a atajos o factores de confusión.
PANDA supera el límite superior de rendimiento de los radiólogos expertos humanos cuando lee únicamente en TC sin contraste. Esto se puede atribuir a dos razones principales.
En primer lugar, durante su aprendizaje, PANDA está equipado con dos supervisiones informativas que no existen en la TC sin contraste, sin embargo, los radiólogos no han sido capacitados sistemáticamente para la detección y diagnóstico de lesiones en la TC sin contraste.
Específicamente, una supervisión consiste en nuestras anotaciones de lesiones curadas por expertos transferidas desde una TC con contraste; el otro son los tipos de lesiones confirmadas por patología.
En segundo lugar, los algoritmos de aprendizaje profundo son más sensibles a los cambios sutiles en la intensidad de la escala de grises de las imágenes que los ojos humanos, que son mejores a la hora de utilizar los cambios de color en lugar de los cambios de intensidad para interpretar las imágenes.
A diferencia de los métodos generativos de aprendizaje profundo para sintetizar el contraste o el color, los investigadores entrenaron modelos de aprendizaje supervisado, que capturan de manera efectiva detalles sutiles de la imagen y aprenden directamente las tareas posteriores de detección y diagnóstico de lesiones basadas en estas características detalladas.
Por lo tanto, PANDA supera o iguala a los radiólogos en la TC con contraste, cuyo desempeño está en concordancia con estudios recientes.
PANDA es un modelo profundo interpretable que genera los límites de la lesión y las probabilidades de los subtipos de lesión. Aunque los radiólogos generalmente no diagnostican lesiones pancreáticas únicamente con TC sin contraste, con la ayuda de PANDA su desempeño podría aumentar drásticamente independientemente de la experiencia, especialmente para la tarea de identificación de PDAC.
Los residentes de radiología con menos experiencia son los que más se benefician de la asistencia de PANDA y pueden alcanzar un nivel comparable al de los especialistas en páncreas. Aunque los radiólogos generales aún podrían dudar de los resultados de la IA, su desempeño podría mejorarse a un nivel cercano al de los especialistas en páncreas.
Tenga en cuenta que la TC sin contraste se realiza ampliamente en hospitales y centros de exploración física no terciarios, donde los radiólogos suelen tener menos experiencia o no están especializados en el diagnóstico por imágenes del páncreas.
En los hospitales terciarios, también se realiza comúnmente una TC sin contraste, como una TC de tórax para la detección de nódulos pulmonares y una TC abdominal en la sala de urgencias. En conjunto, PANDA podría usarse ampliamente para aumentar el nivel de experiencia en el diagnóstico del cáncer de páncreas en los centros médicos, especialmente al detectar más neoplasias malignas de páncreas en una etapa más temprana.
Para evaluar el valor agregado de PANDA para la detección clínica errónea en el mundo real, utilizamos el estándar de atención clínica más estricto como estándar de verdad, que representaba todo el escenario de manejo del paciente, más allá del informe radiológico únicamente.
Aún así, de los 20.530 pacientes consecutivos evaluados retrospectivamente, PANDA detectó cinco cánceres y otras 26 lesiones pancreáticas que el estándar de atención inicial no detectó y permitió el tratamiento curativo de un paciente con PNET.
A pesar de su alta tasa de mortalidad, el PDAC es relativamente poco común. No se recomendó la detección de PDAC en la población asintomática porque los métodos de diagnóstico existentes darían lugar a una gran cantidad de falsos positivos, lo que tendría ramificaciones y costos considerables.
Aunque los avances de la IA en las áreas de detección y diagnóstico de lesiones pancreáticas se han producido con el uso de TC con contraste y USE, el nivel de especificidad es insuficiente y la aplicación de estas técnicas de imagen a la población general no es práctica debido a su invasividad, costo y necesidad de contraste yodado.
La biopsia líquida para la detección del cáncer ha mostrado especificidades de más del 99%, pero la sensibilidad para la detección del cáncer de páncreas en etapa temprana solo es satisfactoria (aproximadamente 50-60%). PANDA Plus (en adelante PANDA) fue altamente sensible (>96 %) para PDAC en etapa temprana y produjo una especificidad excepcional del 99,9 % en la evaluación a gran escala en el mundo real, lo que equivale aproximadamente a un falso positivo de cada 1000. pruebas.
Por un lado, este desempeño permite la detección oportunista en poblaciones asintomáticas. Considerando la prevalencia de PDAC (13 casos por 100.000 adultos), el VPP para la identificación de PDAC será aproximadamente del 10% (11 verdaderos positivos y 100 falsos positivos en 100.000 pruebas).
Esto es incluso más alto que los VPP de algunas otras pruebas de detección de cáncer recomendadas actualmente por el Grupo de Trabajo de Servicios Preventivos (USPSTF), por ejemplo, la mamografía para el cáncer de mama, con un VPP del 4,4% , el DNA en heces para el cáncer colorrectal. , con un VPP del 3,7% , y la TC de dosis bajas para el cáncer de pulmón, con un VPP del 3,8% .
Los experimentos también muestran que cuando se aplicó PANDA en exámenes de TC de rutina en múltiples escenarios, la detección de PDAC en adultos asintomáticos podría considerarse sin costo adicional, sin exámenes adicionales ni exposición a radiación.
Idealmente, incluso si 10 pacientes con PDAC identificados por IA se sometieran a exámenes de seguimiento para confirmar un PDAC con un VPP del 10%, el costo total por PDAC encontrado sigue siendo manejable.
Por ejemplo, el precio oscila entre 1.264 y 1.685 dólares estadounidenses en Shanghai, China, por 10 exámenes, dependiendo del tipo específico de examen de seguimiento, es decir, tomografía computarizada, resonancia magnética o USE con contraste, aunque el precio podría ser mayor. en los países occidentales.
Sin embargo, se necesitan más estudios prospectivos para evaluar la relación riesgo-beneficio y la rentabilidad en el futuro.
Por otro lado, PANDA también podría usarse en exámenes de detección diseñados en poblaciones de alto riesgo . En tal escenario, la sensibilidad de la identificación del PDAC (particularmente en la etapa temprana) se puede mejorar aún más ajustando el umbral del modelo a costa de una ligera disminución en la especificidad.
Tanto en escenarios de detección oportunistas como diseñados, PANDA está destinado a usarse en la detección, un paso previo al diagnóstico, y no para reemplazar las modalidades de diagnóstico por imágenes existentes.
Sin embargo, el diagnóstico inicial confiable de PANDA puede ayudar mejor a los médicos a clasificar y tratar a los pacientes con lesiones pancreáticas, un dilema frecuente en la práctica clínica.
PANDA está capacitado en un enfoque de aprendizaje continuo utilizando datos multicéntricos, pero incluye solo datos limitados fuera de la población y los hospitales del este de Asia.
El modelo debería validarse aún más en centros externos del mundo real, más cohortes internacionales y estudios prospectivos.
PANDA mostró una precisión relativamente baja para PNET. Los tumores PNET son raros y de apariencia muy diversa, y el modelo puede pasar por alto principalmente algunos casos con un contraste de imagen muy bajo en la TC sin contraste.
PANDA ya ha demostrado su potencial para la detección precisa de otros cánceres, especialmente tipos de cáncer (esófago, hígado, estómago) para los cuales no hay pruebas de detección disponibles recomendadas por las guías para personas con riesgo promedio.
Esto abre una interesante posibilidad de detección universal del cáncer con niveles altos de sensibilidad y especificidad, al tiempo que requiere únicamente un procedimiento de exploración por TC sin contraste, no invasivo, de bajo costo y ampliamente adoptado.
Se espera que PANDA y sus variaciones ayuden a transformar el paradigma actual de detección del cáncer desde un diagnóstico en etapa tardía, cuando los síntomas se presentan por primera vez, a una detección en etapa temprana en la que los cánceres se pueden detectar antes de que aparezcan los síntomas.