Artículo original: Peng C, Yu PLH, Lu J, Cheng HM, Shen XP, Chiu KWH, Seto WK. Opportunistic detection of hepatocellular carcinoma using noncontrast CT and deep learning artificial intelligence. J Am Coll Radiol. 2025;22(3):249-259. doi:10.1016/j.jacr.2024.12.011.
DOI: https://doi.org/10.1016/j.jacr.2024.12.011
Palabras clave: artificial intelligence, CT, deep learning, liver cancer, noncontrast
Sociedad a la que pertenece: American College of Radiology. @jacrjournal
Abreviaturas y acrónimos utilizados: AUC (area bajo la curva); CBAM (Convolutional Block Attention Module); CT (tomografía computada); HCC (carcinoma hepatocelular); IA (inteligencia artificial); MRI (resonancia magnética); LI-RADS (liver imaging reporting data system).
Línea editorial del número: “Journal of the American College of Radiology” es una revista de publicación mensual que se centra en la publicación de artículos revisados por pares relacionados con políticas de salud, práctica clínica, gestión de la práctica, ciencia de datos y educación.
En su volumen 22, nº3, correspondiente a Marzo 2025, la JACR publica una serie de artículos con una clara orientación hacia la innovación tecnológica en radiología. Podemos encontrar artículos sobre el uso de la inteligencia artificial no solo para la detección de patología y mejoría de la precisión diagnóstica, sino también para optimizar los recursos humanos en radiología frente a la escasez de profesionales en algunos países.
Otros artículos a destacar son: Aplicación de la inteligencia artificial para cuantificar la composición corporal en las tomografías computarizadas abdominales y predecir mejor la mortalidad en la lista de espera para trasplante renal, que permitía priorizar pacientes de mayor riesgo en espera de trasplante renal y optimizar la donación de órganos; El uso de la radiología como herramienta de detección para identificar la violencia de pareja, el cual reconoce patrones de lesiones sospechosos que podrían pasar desapercibidos e incluso no ser reportados por las víctimas.
Motivos para la selección: Este artículo debe ser revisado porque plantea un enfoque innovador, con el uso de Inteligencia Artificial para la detección temprana de Carcinoma Hepatocelular, siendo esta una de las principales causas de mortalidad por cáncer en el mundo.
Resumen: El carcinoma hepatocelular (HCC) representa una alta carga de mortalidad a nivel mundial, siendo la séptima neoplasia más frecuente, la segunda más mortal y el tipo más común de cáncer hepático. Su pronóstico depende directamente del estadío en que se encuentre, con una supervivencia a 5 años del 25,7% en estadios localizados y del 3,5% en enfermedad metastásica, siendo por esto crucial su detección y diagnóstico precoz.
En la actualidad, la detección del HCC se basa en el uso de TC y MRI con contraste, siguiendo el algoritmo LI-RADS que clasifica a los tumores desde definitivamente benignos (LR-1) a definitivamente HCC (LR-5). Este sistema presenta limitaciones, como la falta de precisión diagnóstica en estadios intermedios, la gran variabilidad inter-observador y discrepancia del algoritmo entre CT y MRI.
El uso de CT sin contraste es un terreno poco explorado debido a la difícil diferenciación de tejidos sanos de tumorales con este método, sin embargo, con el uso de la IA se han podido identificar patrones diferenciales sutiles en imágenes entre estos tejidos.
En este estudio, se desarrolló un modelo de IA, que utiliza redes neuronales (CBAM) optimizadas mediante el uso de técnicas de preprocesamiento y base de datos. Las CBAM fueron entrenadas con TC sin contraste de 2223 pacientes, para la detección de lesiones sugestivas de HCC, utilizando criterios clínicos y radiológicos estandarizados, para luego realizar validación interna y externa de los resultados obtenidos. Para mejorar la interpretación interpersonal, se desarrollaron mapas de calor que resaltan aquellas zonas que la IA interpreta como relevantes para decidir o no si hay cáncer.
Luego del estudio, se concluyó que el modelo CBAM logró detectar HCC en TC sin contraste, con una precisión comparable a la de radiólogos especialistas mediante estudios con contraste. El AUC de validación interna fue de 0.807 y el AUC de validación externa de 0.789, lo que indica precisión significativa para detectar la enfermedad. El modelo tuvo un buen funcionamiento en pacientes de alto riesgo y en lesiones pequeñas, aunque sigue teniendo margen de mejoría en aquellas lesiones difíciles. Aunque su sensibilidad fue alta, la especificidad y el valor predictivo negativo aún son moderadas, lo que podría llevar a un número considerable de falsos positivos.
Los resultados también mostraron que los mapas a color de la IA, coinciden en gran medida con las regiones que los radiólogos interpretaban como sospechosas en imágenes con contraste. Esto mejora la interpretabilidad del modelo, debido a que los radiólogos pueden saber en que se basa la IA para hacer sus predicciones y también como guía visual, ayudando a los especialistas a identificar lesiones que podrían pasar desapercibidas en una primera evaluación.
En conclusión, el estudio demuestra que la IA puede detectar HCC en tomografías sin contraste con una precisión comparable a los radiólogos. Aun cuando el modelo tiene margen de mejora en la reducción de falsos positivos y en su generalización a otros grupos poblacionales diferentes a los del estudio, tiene un futuro prometedor como herramienta de ayuda para la detección temprana de HCC, especialmente en entornos con recursos más limitados.
Valoración personal: Este artículo me resultó muy interesante porque como ya sabemos, la IA es el presente y futuro, y en este caso demuestra cómo va camino a transformar también el diagnóstico médico tal y como lo conocemos en la actualidad.
El poder de detectar HCC en tomografías sin contraste, representa un gran avance, ya que podría permitir diagnosticar esta patología de manera más accesible (sin necesidad de RM) y temprana, a nivel poblacional y en pacientes con alergia/intolerancia a los medios de contraste.
Además de mejorar la sobrevida de los pacientes, este modelo podría tener impacto en la optimización de recursos sanitarios, disminuyendo gastos y carga laboral de los radiólogos.
Me resulta interesante pensar que en un futuro cercano se pueda utilizar este modelo y otros tantos, a modo de cribado automatizado, no solo en estudios dirigidos, sino de manera incidental en estudios realizados por otras razones, para mejorar la precisión médica y reducir los tiempos hacia el diagnóstico de patologías con alto impacto en la vida de las personas.
Sociedad a la que pertenece la publicación: American College of Radiology. @jacrjournal
Sección (órgano-sistema): Radiología Abdominal
Técnica radiológica: TC .
Tipo de artículo: Estudio original.
Año de residencia recomendado: R1-R4
Eliana Belen Chimiski
Hospital Clínico Universitario de Valencia. R1
cbseram.com 
Deja un comentario