Artículo original: Shen N, Wang Y, Yan C, Wang J, Zheng D, Wang X, et al. Pretreatment CT Identification of Extranodal Extension in Laryngeal and Hypopharyngeal Cancers Using Deep Learning. Radiology. 2026;318(1):e250332.
Sociedad: Radiological Society of North America (RSNA) — @RSNA
Palabras clave: extranodal extension (ENE), laryngeal and hypopharyngeal squamous cell cancer (LHSCC), deep learning, computed tomography (CT), lymph node metastasis, AUC.
Abreviaturas y acrónimos utilizados: AUC (area under the receiver operating characteristic curve), CT/TC (computed tomography/tomografía computarizada), ENE (extranodal extension), LHSCC (laryngeal and hypopharyngeal squamous cell cancer), ORL (otorrinolaringología), ROC (receiver operating characteristic).
Línea editorial del número: Radiology es una revista científica internacional de referencia en el ámbito de la radiología, publicada por la Radiological Society of North America (RSNA), que aborda de forma amplia las distintas áreas de la imagen médica. El número revisado (volumen 318, número 1) reúne trabajos originales y estudios centrados en diferentes aplicaciones de la radiología diagnóstica, con especial interés en el desarrollo y evaluación de nuevas técnicas, herramientas de inteligencia artificial y avances en imagen que puedan contribuir a mejorar la detección, caracterización y manejo de la enfermedad. Dentro de esta orientación, el número refleja el creciente papel de las técnicas de imagen avanzadas y de la inteligencia artificial en la práctica radiológica.
Motivos para la selección:
- Artículo original, reciente y publicado en Radiology.
- Aborda directamente patología de ORL/cabeza y cuello y utiliza TC, una técnica fundamental en la práctica radiológica diaria.
- Combina oncología, radiología e inteligencia artificial, un área de creciente importancia.
- La ENE es un hallazgo pronóstico relevante cuya identificación en imagen presenta limitaciones de reproducibilidad.
- El estudio utiliza varias cohortes externas, lo que permite valorar la generalización del modelo más allá del centro donde fue desarrollado.
- Los resultados plantean una cuestión práctica: si una herramienta de IA puede complementar la valoración del radiólogo en la estadificación preoperatoria.
Resumen:
Introducción
La extensión extranodal (ENE) consiste en la extensión de una metástasis ganglionar más allá de la cápsula del ganglio hacia los tejidos blandos circundantes. En los carcinomas escamosos de cabeza y cuello constituye un importante factor pronóstico y puede influir en las decisiones terapéuticas. Sin embargo, la identificación de ENE en TC preoperatoria es difícil y presenta variabilidad entre observadores.
Los autores plantean que el deep learning podría detectar cambios sutiles en el contorno y la textura ganglionar que resultan difíciles de identificar de forma reproducible por el observador humano.
Objetivo
Desarrollar y evaluar el rendimiento diagnóstico de DeepENE, una herramienta de deep learning destinada a detectar metástasis ganglionares y específicamente, ENE en TC preoperatoria de pacientes con carcinoma escamoso de laringe e hipofaringe (LHSCC), y comparar su rendimiento con el de especialistas en cabeza y cuello.
Material y métodos
Diseño: estudio retrospectivo, con desarrollo del modelo en una cohorte de Zhongshan Hospital, Fudan University, y validación externa multicéntrica.
Periodo de desarrollo: abril de 2011 a agosto de 2022.
Población global evaluada: 289 pacientes con LHSCC y 1954 ganglios linfáticos confirmados anatomopatológicamente.
Estándar de referencia: anatomía patológica tras cirugía. Los ganglios fueron segmentados en la TC y etiquetados como metastásicos/no metastásicos y ENE positivos/negativos según los hallazgos patológicos.
Desarrollo del modelo: se utilizó un procedimiento human-in-the-loop para obtener y refinar las máscaras ganglionares. El sistema integró redes para la detección/segmentación ganglionar y una arquitectura de dos flujos, size-independent y size-aware, para captar tanto características globales como cambios sutiles de textura y contorno.
Validación: además del conjunto interno, DeepENE se evaluó en tres cohortes externas de LHSCC: Eye & ENT Hospital of Fudan University, Chang Gung Memorial Hospital y The Cancer Genome Atlas Head-Neck Squamous Cell Carcinoma Collection/The Cancer Imaging Archive. También se evaluó en una cohorte externa de carcinoma escamoso oral para explorar la generalización a otro tumor de cabeza y cuello.
Comparación con expertos: cinco especialistas certificados en cabeza y cuello realizaron la interpretación. El rendimiento se comparó mediante curvas ROC y AUC, utilizando el método de DeLong para la comparación de AUC correlacionadas.
Interpretabilidad: se utilizaron mapas de Integrated Gradients para identificar qué regiones de los píxeles de entrada contribuían a las predicciones positivas de ENE.
Resultados más destacables
En el conjunto interno, DeepENE alcanzó un AUC de 0,93 para el diagnóstico de ENE mediante validación cruzada de cinco particiones.
En las tres cohortes externas de LHSCC obtuvo AUC de 0,96, 0,87 y 0,90, respectivamente.
En la cohorte externa 2, especialmente desafiante por presentar ganglios ENE positivos de menor tamaño, DeepENE alcanzó un AUC de 0,87 frente a un AUC medio de 0,66 de los cinco especialistas (P < 0,001).
En la cohorte externa 1, a una especificidad del 90%, la sensibilidad de DeepENE fue del 97%, frente al 77% de media de los expertos (P = 0,003).
En las cohortes externas 2 y 3, la sensibilidad fue del 78% y 80% para DeepENE, frente al 36% y 46% de media de los expertos, respectivamente (P < 0,001 en ambas).
El modelo también mostró buen rendimiento para la clasificación de metástasis ganglionares.
Los mapas de Integrated Gradients sugirieron que el modelo centraba su atención en las regiones periféricas del ganglio donde se localizaban los cambios asociados a ENE.
Discusión
Los resultados sugieren que DeepENE puede identificar ENE en TC preoperatoria con elevada precisión y, en las cohortes externas evaluadas, superar el rendimiento de cinco especialistas. El beneficio parece especialmente relevante para ganglios pequeños, en los que los signos radiológicos de ENE pueden ser más sutiles.
El trabajo es relevante porque intenta trasladar un problema conocido de variabilidad humana a una herramienta objetiva y reproducible. La validación externa en tres cohortes y la comparación directa con especialistas son elementos importantes para valorar su potencial utilidad clínica.
No obstante, el estudio demuestra principalmente rendimiento diagnóstico frente a un estándar anatomopatológico; no demuestra todavía que incorporar DeepENE a la práctica clínica modifique el manejo de los pacientes ni que produzca mejores resultados clínicos.
Otro aspecto a considerar es la generalización. Aunque las cohortes externas proceden de centros diferentes y se incluye una cohorte de carcinoma oral, la población es relativamente específica y los protocolos de adquisición de TC, las características de los pacientes y la prevalencia de ENE pueden diferir de otros entornos.
La arquitectura del modelo también es compleja y requiere una infraestructura previa de detección y segmentación ganglionar. Por tanto, su aplicación clínica real no equivale simplemente a ejecutar un clasificador sobre una TC convencional.
Puntos fuertes y débiles del artículo / valoración personal:
Puntos Fuertes:
- Pregunta clínica concreta y relevante.
- Publicación en Radiology como Original Research.
- Tamaño de la muestra adecuado para un estudio de este tipo: 289 pacientes y 1954 ganglios confirmados anatomopatológicamente.
- Uso de validación externa multicéntrica, uno de los aspectos más importantes del estudio.
- Comparación directa con cinco especialistas.
- Uso de anatomía patológica como estándar de referencia.
- Evaluación específica de ganglios pequeños y difíciles, que representa un escenario clínicamente relevante.
- Exploración de interpretabilidad mediante Integrated Gradients.
- El modelo mantiene un buen rendimiento fuera del centro de desarrollo.
Puntos débiles:
- Estudio retrospectivo, con posible sesgo de selección.
- La cohorte de desarrollo procede de un único centro.
- El número total de pacientes es relativamente pequeño para un modelo de IA, aunque el número de ganglios es mayor.
- Puede existir dependencia entre múltiples ganglios del mismo paciente, lo que debe considerarse al interpretar las métricas a nivel ganglionar.
- La anatomía patológica se utiliza como referencia, pero la correlación exacta entre un ganglio identificado en TC y su equivalente quirúrgico puede ser técnicamente compleja.
- Los protocolos de TC y las características poblacionales pueden variar entre centros, afectando a la generalización.
- La comparación con cinco expertos no equivale necesariamente a una comparación con la práctica radiológica habitual de todos los centros.
- Un AUC elevado no demuestra por sí mismo utilidad clínica ni beneficio para el paciente.
- No se evalúa de forma prospectiva el impacto de DeepENE sobre decisiones terapéuticas.
- La herramienta podría requerir una cadena previa de detección y segmentación ganglionar, lo que añade complejidad a su implementación.
Valoración personal:
Considero que es un artículo de gran interés para un Club Bibliográfico SERAM porque combina una cuestión radiológica clásica de cabeza y cuello (la identificación de ENE en adenopatías cervicales) con una aplicación actual de inteligencia artificial. El diseño incorpora varios elementos metodológicos sólidos, especialmente la validación externa multicéntrica, la comparación con especialistas y el uso de anatomía patológica como referencia.
Los resultados son llamativos y sugieren que DeepENE puede mejorar la detección de ENE, particularmente en ganglios pequeños. Sin embargo, sería importante diferenciar rendimiento diagnóstico de utilidad clínica. Antes de plantear su incorporación rutinaria, serían necesarios estudios prospectivos, evaluación del impacto en decisiones clínicas y tratamiento, análisis de coste-efectividad y validación en poblaciones y protocolos de TC más diversos.
Firma:
Rocío Fleta Gascón.
Hospital General Universitario de Castellón.
cbseram.com 
Deja un comentario