La inteligencia artificial (IA) está transformando rápidamente la patología y la Oncología, ofreciendo nuevas oportunidades para mejorar el diagnóstico, pronóstico y tratamiento del cáncer. Este artículo revisa aplicaciones actuales de la IA en la detección tumoral, identificación de biomarcadores moleculares y evaluación pronóstica, así como barreras y perspectivas futuras para su adopción clínica. La IA, especialmente mediante redes neuronales profundas, mejora la detección y clasificación de tumores en imágenes histopatológicas. Ejemplos incluyen la detección de metástasis en ganglios linfáticos en cáncer de mama y la clasificación precisa de tejidos tumorales y normales en múltiples tipos de cáncer. Los algoritmos de IA pueden identificar biomarcadores tradicionales y novedosos a partir de imágenes digitales, reduciendo la variabilidad entre observadores y optimizando el tiempo de análisis. Esto incluye la predicción de mutaciones, subtipos moleculares y características del microambiente tumoral. Modelos de IA analizan características clínicas, histológicas y moleculares para predecir respuesta al tratamiento y supervivencia. Algunos sistemas han identificado patrones histológicos previamente no asociados con el pronóstico. Persisten desafíos técnicos, regulatorios y culturales, incluyendo disponibilidad de datos, construcción y entendimiento de modelos, estandarización de procesos y validación clínica rigurosa.
La integración de modelos multimodales, el uso de arquitecturas avanzadas como transformers y foundation models, y la colaboración internacional para ampliar la información son claves para avanzar hacia una Medicina de Precisión más equitativa y eficaz. Introducción La Oncología está experimentando una transformación profunda impulsada por la irrupción de la inteligencia artificial, especialmente por el desarrollo y aplicación de algoritmos de deep learning (DL) en la interpretación de imágenes histopatológicas. Desde la década de 2010, el avance en poder computacional, la disponibilidad masiva de datos digitales de alta resolución y la mejora de arquitecturas neuronales han propiciado un salto cualitativo en la capacidad de automatizar, optimizar y estandarizar procesos diagnósticos en Oncología. El artículo revisa sistemáticamente la literatura científica sobre aplicaciones de IA en patología oncológica, con énfasis en tres áreas: 1. Detección y clasificación tumoral a partir de whole-slide images (WSI). 2. Identificación y desarrollo de biomarcadores moleculares para diagnóstico, pronóstico y selección terapéutica. 3. Predicción del pronóstico y respuesta al tratamiento en pacientes con cáncer. Asimismo, se abordan barreras técnicas, regulatorias, éticas y culturales que dificultan la implementación clínica, y se examinan las perspectivas futuras de esta tecnología en el marco de la Medicina de Precisión. Resultados Aplicaciones en detección y clasificación tumoral Se identificaron 68 estudios (2013–2022) que aplicaron algoritmos de IA, en su mayoría redes neuronales convolucionales (CNN), para tareas de diagnóstico automatizado. Estas aplicaciones incluyen: n Localización de regiones neoplásicas. n Clasificación de lesiones en benignas o malignas. n Determinación de subtipos histológicos y estadificación tumoral. Un ejemplo paradigmático es la competencia CAMELYON16, que demostró que algoritmos DL podían alcanzar y, en ciertos escenarios, superar el rendimiento de patólogos humanos en la detección de metástasis ganglionares en cáncer de mama. Otros estudios han extendido este abordaje a tumores frecuentes como mama, próstata, pulmón y gastrointestinal, logrando áreas bajo la curva (AUC) superiores a 0,90. El modelo PC-CHiP, basado en CNN Inception-V4, destacó por su capacidad para correlacionar patrones histológicos con alteraciones genómicas, como duplicaciones genómicas y mutaciones específicas, así como por su potencial para predecir supervivencia en múltiples tipos tumorales
COMENTARIO REALIZADO POR EL DR. RODRIGO SÁNCHEZ BAYONA, SECRETARIO CIENTÍFICO DE SEOM
Autores A. Marra, S. Morganti, F. Pareja, G. Campanella, F. Bibeau, T. Fuchs, M. Loda, A. Parwani, A. Scarpa, J. S. Reis-Filho, G. Curigliano, C. Marchiò & J. N. Kather
Para descargar la investigación completa haga clik a continuación:
Pág. 61
https://seom.org/images/REVISTA_159_PLS_SIN_ANUNCIOS.pdf
- Actividades exclusivas para profesionales de la salud (advisory boards, cobertura de congresos, webinars)
- Guardá los artículos que te sirven para ver más tarde
- Recibí cada semana lo más relevante de tu especialidad
