Jorge Pastor Arrizabalo
La inteligencia artificial (IA) comienza a ofrecer aplicaciones concretas en el diagnóstico y el tratamiento del cáncer ginecológico. Su capacidad para analizar imágenes, integrar información molecular y mejorar la clasificación de los tumores abre nuevas posibilidades para avanzar hacia una oncología más personalizada. Así lo ha expuesto el Dr. Luis Manso, del Hospital Universitario 12 de Octubre de Madrid, durante su intervención en la 10ª edición del Congreso Internacional de Oncología Ginecológica MD Anderson celebrado este viernes en Madrid.
El Dr. Manso ha definido la inteligencia artificial como un «término paraguas» que engloba algoritmos y máquinas capaces de resolver tareas complejas. Durante su intervención, también ha explicado conceptos como el machine learning, que permite a los algoritmos aprender a clasificar datos, y el deep learning, basado en redes neuronales profundas para analizar información compleja.
Dr. Manso: «Cuando utilizamos los modelos, somos capaces de hacer un diagnóstico más eficiente para derivar equipos multidisciplinares»
Entre los ejemplos de aplicación al diagnóstico por imagen, el Dr. Manso ha recordado un estudio del Instituto Karolinska que reunió 17.000 casos y más de 3.600 imágenes procedentes de 20 centros de ocho países. El trabajo evaluó cómo la inteligencia artificial podía ayudar a ecografistas no expertos a aproximar sus diagnósticos a los de especialistas.
Según los datos que ha expuesto, el uso de estos modelos redujo de 52 a 19 los casos que no alcanzaban un consenso y requerían derivación. Por ello, ha señalado que «cuando utilizamos los modelos, somos capaces de hacer un diagnóstico más eficiente para derivar equipos multidisciplinares».
Patología digital y clasificación molecular
El modelo alcanzó un área bajo la curva (AUC) de 0,92 en la identificación de tumores con alteraciones de p53 a partir de las imágenes. Aunque la diferenciación entre tumores con mutación de gen POLE y aquellos con deficiencia MMR continúa siendo compleja, la herramienta permite identificar tumores p53 anómalos asociados a un peor pronóstico.
Durante su ponencia, también ha destacado avances en el uso de modelos multimodales para cáncer de ovario. Uno de los estudios a los que ha hecho referencia fue el ensayo Knisely, llevado a cabo en 44 pacientes con cáncer seroso de alto grado, y que combinó imágenes, histología y datos genómicos para predecir la supervivencia global. Según los resultados expuestos, la integración de estas variables ofreció una capacidad predictiva superior a la obtenida mediante el análisis de cada parámetro por separado.
El modelo GIInger puede ayudar a identificar a pacientes con cáncer de ovario que podrían beneficiarse de los inhibidores de PARP
El especialista ha abordado también GIInger, un modelo de deep learning que identifica la inestabilidad genómica asociada a la deficiencia de recombinación homóloga (HRD) a partir de datos de secuenciación del genoma completo de baja cobertura. Esta información puede ayudar a identificar a pacientes con cáncer de ovario que podrían beneficiarse de los inhibidores de PARP. En los 327 casos evaluados, el modelo alcanzó una concordancia del 93% con la prueba de referencia.
La supervisión clínica sigue siendo fundamental
Pese a los avances, el Dr. Manso ha advertido de que la inteligencia artificial presenta limitaciones y no debe sustituir la valoración de los profesionales. Como ejemplo, ha señalado que los sistemas de IA aplicados a la interpretación de mamografías pueden fallar en un 45% de los casos cuando no cuentan con la verificación de un experto.
En el caso de la resolución de casos clínicos, la inteligencia artificial también presenta limitaciones. En un análisis de 35 casos reales, estas herramientas no respondieron correctamente en el 44,5% de las ocasiones; además, solo utilizaron datos de práctica clínica real en un 5% y reconocieron no saber resolver una consulta en apenas un 1%.
La IA falló en el 44,5% de las respuestas a 35 casos clínicos reales, utilizó datos de práctica clínica en solo el 5% y reconoció sus limitaciones en el 1% de las consultas
El papel de los comités multidisciplinares ha sido otro de los puntos destacados. Según los datos presentados, el 30% de las recomendaciones generadas por inteligencia artificial de forma aislada fueron incorrectas mientras que la combinación de estas herramientas con la valoración de especialistas permitió alcanzar un consenso correcto en torno al 95%.
Por último, Manso ha aludido a la clasificación de la Sociedad Europea de Oncología Médica (ESMO), que establece distintas categorías para evaluar la evidencia de los biomarcadores desarrollados mediante inteligencia artificial. La traslación de estas tecnologías a la práctica clínica requiere herramientas accesibles y medibles, respaldadas por una validación suficiente.
