Caracterización espacial de la invasión perineural en el adenocarcinoma de páncreas resecado

Artículo original: Chen C, Yu J, Shen Y, Zheng D, Zheng Y, Liu F, Wang T, Fang X, Li J, Lu J, Jiang H, Shao C, Bian Y. Anatomy-informed CT Spatial Phenotype Associated with Extrapancreatic Perineural Invasion in Resected Pancreatic Ductal Adenocarcinoma. Radiol Artif Intell. 2026:e260357.

DOI: 10.1148/ryai.260357

Sociedad: Radiological Society of North America (@RSNA)

Palabras clave: N/A

Abreviaturas y acrónimos utilizados: AUC (área bajo la curva); ROC (receiver operating characteristic); EPNI (invasión perineural extrapancreática); NCS (estado de contacto neurovascular); PDAC (adenocarcinoma ductal de páncreas); PROPHET (Riesgo preoperatorio en tumores con alto riesgo de extensión perineural) ; TCIA (Archivo de imagen The Cancer)

Línea editorial: Radiology: Artificial Intelligence está publicada y gestionada por la Sociedad de Radiología de Norteamérica (RSNA) de forma bimestral. Es la revista con mayor factor de impacto en el ámbito de la inteligencia artificial (IA), con un factor de impacto de 13,2. El número 8 de noviembre de 2026 incluye artículos de investigación primaria como el meta-análisis de los 31  estudios en los siete últimos años analizando la sensibilidad y especificidad de herramientas con IA en la angio-TC para detectar oclusiones de ramas distales de la circulación cerebral anterior. Se evidenció una sensibilidad y especificidad globales del 80% y 92% respectivamente, aunque con enormes diferencias entre la validez y el grado de evidencia para ramas proximales (arteria carótida interna y rama M1) respecto a las ramas M2 y M3.  En las ramas distales se encontró una razón de verosimilitud de 50% ante un resultado negativo arrojado por la IA.

Otro artículo a destacar es el del método DeepVEST de segmentación de vasos en el estudio dinámico post contraste de la RM mamaria, estudio retrospectivo demostrando la efectividad del modelo DeepVEST para segmentar y eliminar vasos en RM mamaria con la consecuente mejor detección de lesiones . En este número se incluyen asimismo comentarios sobre artículos previos y cartas al editor.

Motivos para la selección: Este ámbito de la investigación en inteligencia artificial es totalmente desconocido para mí, por lo que la revisión de este mes constituye un gran reto. Es importante atreverse a disecar estudios de investigación primaria, intentar comprender los objetivos, cómo se diseña la cohorte, qué parámetros son los diana, qué tratamiento estadístico requieren y cómo se interpretan los resultados.

Resumen:

Este estudio multicéntrico analiza el sistema PROPHET sobre 1854 pacientes con adenocarcinoma ductal de páncreas de tres cohortes de tres hospitales y una base de datos pública (TCIA). El objetivo fue evaluar el modelo como un predictor de diseminación perineural en el adenocarcinoma de páncreas resecado, para lo que previamente era imprescindible una demostración anatomo-patológica.

Se seleccionaron cuatro test sobre tres cohortes:

  1. una cohorte en el hospital A para entrenamiento, prueba interna y prueba tras neoadyuvancia (test 1).
  2. Una cohorte retrospectiva en el hospital B (test 2)
  3. Un test prospectivo en el hospital C (test 3) sobre una cohorte iniciada en 2024
  4. Un cuarto test sobre la base de datos pública TCIA.

Se realizó una TC en fases pancreática, portal y tardía (40,  65 y 110 segundos, aproximadamente) sobre el que se planifica la segmentación con el modelo PROPHET, previamente delineado por dos radiólogos independientes. Dicho modelo fue validado en los cuatro test, consiguiendo capacidad de discriminación con áreas bajo la curva [ABC] ROC superiores al 85% en los hospitales A, B y C. Sin embargo, en la base de datos pública la ABC descendió a un 80%.

Posteriormente, seis radiólogos del hospital A emparejados re-analizaron las TC randomizadas sin y con asistencia del modelo de IA.  Las conclusiones fueron un aumento de la sensibilidad diagnóstica del 80% al 93% y de la especificidad 57% a 68% con un aumento de la precisión diagnóstica del 77 al 88% .El tiempo de lectura se redujo de 3.6 a 3.02 minutos por paciente. La tasa global de error de clasificación fue aproximadamente un 9%.

Por otra parte, los pacientes de alto riesgo según el modelo PROPHET presentaron una menor supervivencia (HR 1.95), y una mayor tasa de hemorragia  intraoperatoria y complejidad quirúrgica.

Valoración personal:

Este es un artículo de considerable complejidad, avanzado y dedicado a un nicho específico. A grandes rasgos, ayuda a dar una nueva “vuelta de tuerca” al concepto de la invasión local del cáncer de páncreas. Requiere una lectura muy exhaustiva con bastante concentración, puesto que es un artículo de relativamente poco texto pero con muchísima información comprimida.

Una vez que se comprende, la conclusión es clara, y se llega al concepto donde aparentemente se dirigen todas las tendencias: la inteligencia artificial es una gran asistencia observacional al trabajo analítico de radiólogo. En todo caso, como se comenta en las limitaciones, se requieren tamaños muestrales sólidos, con menos factores confusores y con mayor colaboración entre hospitales.

Ana Wenting Hernández Pardos

R3 Hospital Universitario Marqués de Valdecilla, Santander

ana.hernanzez12@gmail.com

Tagged with: , , ,
Publicado en Radiological Society of North America

Deja una respuesta

Publicaciones del Club
Residentes SERAM
Autores