IA generativa demuestra evaluación patológica experta del cáncer de pulmón

Este proceso manual suele generar variabilidad en las evaluaciones, ya que diferentes patólogos pueden interpretar características histológicas sutiles de forma distinta. Estas inconsistencias suponen un grave reto para ofrecer diagnósticos oportunos y estandarizados. En muchas partes del mundo, el acceso a patólogos experimentados también es limitado, lo que genera una brecha en la calidad de la atención. Ahora, un nuevo estudio ha demostrado cómo la inteligencia artificial (IA) generativa podría superar estos desafíos al ofrecer evaluaciones rápidas, precisas y reproducibles que rivalizan con el rendimiento de expertos.

En el estudio, investigadores del Hospital Zhujiang de la Universidad Médica del Sur (Guangzhou, China) probaron tres modelos avanzados de GenAI: GPT-4o, Claude-3.5-Sonnet y Gemini-1.5-Pro. Analizaron 310 portaobjetos de diagnóstico del Atlas del Genoma del Cáncer y 182 portaobjetos de instituciones médicas independientes para evaluar el rendimiento de estos modelos. Los sistemas GenAI pudieron identificar patrones de cáncer y clasificar tumores con notable precisión; Claude-3.5-Sonnet logró una precisión promedio del 82,3 % al diferenciar entre grados de cáncer. Los modelos operan extrayendo características patológicas clave, como necrosis tumoral, respuestas inflamatorias y patrones celulares, y cuantificándolas con precisión, transformando la interpretación visual subjetiva en métricas mensurables. Los investigadores desarrollaron un sofisticado modelo de pronóstico que combina características patológicas extraídas de GenAI con información clínica, prediciendo con éxito los resultados de los pacientes en múltiples estudios de validación. Su modelo identificó 11 características histológicas clave y 4 variables clínicas que juntas proporcionan una evaluación de riesgo integral para los pacientes.

Los hallazgos, publicados en el International Journal of Surgery, confirmaron que el análisis habilitado por GenAI podía replicar consistentemente las evaluaciones diagnósticas, incluso cuando se aplicaba repetidamente a las mismas muestras de tejido. Los modelos completaron las evaluaciones en minutos, ofreciendo un ahorro de tiempo masivo para los flujos de trabajo clínicos. También revelaron factores pronósticos previamente subestimados, como la fibrosis intersticial, los patrones papilares y la infiltración linfocítica, lo que destaca el potencial de la IA para descubrir nuevas dimensiones de la patología del cáncer. Al proporcionar diagnósticos escalables, consistentes y de nivel experto, la tecnología promete democratizar el acceso a una atención de alta calidad y remodelar las estrategias de tratamiento del cáncer. Es probable que la investigación futura explore una implementación más amplia y una integración más profunda en los sistemas de toma de decisiones clínicas.