DOI: https://doi.org/10.56712/latam.v6i1.33=
09
Inteligencia Artificial en la
detección del cáncer de pulmón
Artificial Intelligence in lung cancer detection
Janina Monserrath<=
/span>
Ramos Portero
jramos2311@uta.edu.ec
https://orcid.org/0009-0000-1178-4427
Universidad
Técnica de Ambato
Ambato –
Ecuador
Andrea Carolina Cevallos Teneda
ac.cevallos@uta.edu.ec
https://orcid.org/0000-0002-9512-9274
Universidad
Técnica de Ambato
Ambato –
Ecuador
Artículo recibido: 02 de enero de 2025.
Aceptado para publicación: 16 de enero de 2025.
Conflictos de
Interés: Ninguno que declarar.
Resumen
=
El cáncer de pulmón en la actualidad se ha convertido=
en
la patología oncológica diagnosticada con mayor frecuencia, y=
además
figura como una de las principales causas de muerte. Esta enfermedad tiene =
una
tasa elevada de mortalidad que se relaciona con la falta de síntomas=
en
etapas tempranas, lo que ocasiona que la confirmación del
diagnóstico suceda en etapas avanzadas, dando como resultado que las
opciones del tratamiento disminuyan y que en ocasiones estos pacientes no
lleguen a tener curación. En el caso de que el tratamiento se admini=
stre
de manera oportuna la tasa de supervivencia a 10 años es del 88%. Co=
n lo
anteriormente mencionado se ha buscado maneras de mejorar la detecció=
;n
temprana del cáncer de pulmón, entre una de estas mejoras se
menciona el uso de la inteligencia artificial en esta enfermedad. Se
realizó una revisión bibliográfica de diversas bases de
datos científicas con el
objetivo de identificar y sintetizar información relevante so=
bre
la detección del cáncer de pulmón mediante inteligencia
artificial. La inteligencia artificial en conjunto con la tomografía
computarizada de dosis baja mejora tanto la sensibilidad y especificidad en=
el
diagnóstico oportuno de cáncer de pulmón, y proporcion=
an
un análisis más preciso con el objetivo de reducir los falsos
positivos y falsos negativos. Sin embargo, al ser una nueva herramienta en =
la
actualidad existe una falta de control y regularizaciones adecuadas para es=
te
tipo de tecnologías.
Palabras clave: Inteligencia artificial, detecci&oacut=
e;n,
cáncer de pulmón
=
Abstract
=
Lung cancer has
become the most frequently diagnosed oncological pathology today, and it is
also listed as one of the main causes of death. This disease has a high
mortality rate that is related to the lack of symptoms in early stages, whi=
ch
causes the diagnosis to be confirmed in advanced stages, resulting in a
decrease in treatment options and sometimes these patients are not cured. In
the case that the treatment is administered in a timely manner, the 10-year
survival rate is 88%. With the above-mentioned ways have been sought to imp=
rove
the early detection of lung cancer, one of these improvements is the use of
artificial intelligence in this disease. A bibliographic review of various
scientific databases was carried out with the aim of identifying and
synthesizing relevant information on the detection of lung cancer through
artificial intelligence. Artificial intelligence in conjunction with low do=
se
computed tomography improves both the sensitivity and specificity in the ea=
rly
diagnosis of lung cancer, and provides a more precise analysis with the aim=
of
reducing false positives and false negatives. However, as this is a new too=
l,
there is currently a lack of adequate control and regulation for this type =
of
technology.
Keywords: artificial
intelligence, detection, lung cancer
Todo el contenido de LATAM
Revista Latinoamericana de Ciencias Sociales y Humanidades, publicado en es=
te
sitio está disponibles bajo Licencia Creative Commons.=
![](3D"003_RamosPortero_archivos/image002.jpg")
<=
o:p>
Cómo citar: Ramos Portero , J. M., & Cevallos T=
eneda,
A. C. (2025). Inteligencia Artificial en la detección del cán=
cer
de pulmón. LATAM Revista
Latinoamericana de Ciencias Sociales y Humanidades 6 (1), 31 – 42.
https://doi.org/10.56712/latam.v6i1.3309
INTRODUCCIÓN
El cáncer de pulmón en la actual=
idad
se ha convertido en la patología oncológica diagnosticada con
mayor frecuencia, y además figura como una de las principales causas=
de
muerte, con una tasa de mortalidad que supera a otros tipos de cánce=
res
como el cáncer de mama(Arrieta et al=
.,
2021; Tandon et al., 2020). Este padecimie=
nto
antes del siglo veinte era catalogado erróneamente como neumon&iacut=
e;a
o tuberculosis, por esta razón esta enfermedad era muy poco reconoci=
da y
solo existían 140 casos en la literatura en aquella época. En=
la
actualidad, esta dolencia tiene una tasa de supervivencia de 5 años =
que
no supera el 20%, siendo el tabaco el principal factor de riesgo(Arrieta
et al., 2021).
De acuerdo con Espinoza et al, la detecci&oacu=
te;n
del cáncer de pulmón se define como la identificación
probable de cáncer no diagnosticado en personas que no tienen
síntomas. Se realiza mediante pruebas o procedimientos de fác=
il
aplicación para la población en general. Al principio para la
detección del cáncer de pulmón, se comenzó a
utilizar la radiografía de tórax. Sin embargo, esta prueba no
reducía las tasas de mortalidad. Se procedió a utilizar otros=
métodos
como la citología de esputo con o sin radiografía de tó=
;rax,
pero estos exámenes tampoco tuvieron buenos resu=
ltados(Espinoza
& Dong, 2020). De hecho, anteriormente se utilizaba la radiografí=
;a
de tórax tradicional como método diagnóstico. Sin emba=
rgo,
este estudio presentaba una baja sensibilidad con tumores pequeños,
menores a 1 centímetro, por ello, actualmente se considera que la
tomografía computarizada a baja dosis presenta mayor sensibilidad en=
la
detección temprana de este padecimiento(<=
span
class=3DSpellE>Hung et al., 2023).
Esta enfermedad tiene una tasa elevada de
mortalidad que se relaciona con la falta de síntomas en etapas
tempranas, lo que ocasiona que la confirmación del diagnóstico
suceda en etapas avanzadas, dando como resultado que las opciones del
tratamiento disminuyan y que en ocasiones estos pacientes no lleguen a tene=
r curación(Sanchez
et al., 2022). En caso contrario, si el diagnóstico de esta
enfermedad ocurre en etapas tempranas, esto aumenta considerablemente las
posibilidades de supervivencia y la opción de recibir un tratamiento
exitoso. En el caso de que el tratamiento se administre de manera oportuna =
la
tasa de supervivencia a 10 años es del 88%(Quanyang et al., 2024).De ahí que, hoy en
día se buscan diferentes estrategias que permitan una detecció=
;n
temprana del cáncer de pulmón, ya que esto mejoraría l=
as tasas
de supervivencia y pronóstico(Arrieta et al., 2021). Con lo anteriormente mencionado es=
to
permite formularnos la siguiente pregunta ¿Cómo el uso de la
inteligencia artificial permite una mejora en la detección temprana =
del
cáncer de pulmón?
La inteligencia artificial en conjunto con la
tomografía computarizada de dosis baja mejora tanto la sensibilidad y
especificidad en el diagnóstico oportuno de cáncer de
pulmón, y proporcionan un análisis más preciso con el
objetivo de reducir los falsos positivos y falsos negativos. La inteligencia
artificial realiza un análisis de múltiples parámetros
ayudando de esta manera al médico a detectar el cáncer de
pulmón de manera temprana y reducir las tasas de mortalidad por esta
patología (Zhao et al., 2020). Sin embargo, su sensibilidad=
no es
superior a la de un radiólogo, aunque si se aumenta la velocidad del
diagnóstico, porque la inteligencia artificial realiza el
diagnóstico en 10 segundos mientras que un médico especializa=
do
lo realiza en 20 minutos(Guan et al., 2022)=
.
METODOLOGÍA
De los 21 artículos seleccionados, se
incluyeron metaanálisis, revisiones sistemáticas de alto impa=
cto
y artículos originales publicados entre 2019 y 2024, en idiomas
español e inglés. Se excluyeron los artículos en otros
idiomas, así como aquellos basados en opiniones de profesionales o c=
on
baja calidad de evidencia.
RESULTADOS
<=
/a>Modelos de Inteligencia Artificial Utilizados en la Detección
del Cáncer de Pulmón
La detección asistida por ordenador de
manera tradicional ha tenido buenos resultados en la interpretación =
de
tomografías computarizadas desde principios de la década de l=
os
2000. Sin embargo, la efectividad de estos modelos depende del númer=
o de
características utilizadas y del tipo de aprendizaje automáti=
co
que se utilice, por ejemplo: el Random Forest (=
bosque
aleatorio), el discriminante lineal de Fisher, el Supp=
ort
Vector Machine (máquinas de vectores de soporte) y el vecino m&aacut=
e;s
cercano ponderado por distancia, entre otros (Quanyang=
et al., 2024).
Antes de la llegada del aprendizaje profundo se
utilizaba principalmente algoritmos de ingeniería, estos algoritmos
usaban para la detección de nódulos el uso de
características de los tumores para poder diferenciarlos, entre las
características que utilizaban son: morfología, intensidad y
textura. El método de extracción para conseguir estos datos f=
ue
la tomografía computarizada mediante procesos manuales, ademá=
s,
del uso de aprendizaje automático o machine learning (ML), SVM y el bosque aleatorio como cl=
asificadores(Quanyang et al., 2024).
La creación de la =
radiómica
fue antes del uso del aprendizaje profundo, específicamente su
definición es un campo de imágenes médicas siendo su
objetivo principal es encontrar características específicas de
imágenes que para el ojo humano son imperceptibles, en radiómica, los algoritmos de aprendizaje
automático llevan el nombre de aprendizaje automático clásico(Chassagnon
et al., 2023).
Inicialmente se utilizaban los algoritmos
tradicionales de aprendizaje automático que se basan en
ingeniería manual, con lo cual se colocaba características ya
preestablecidas para el diagnóstico del cáncer de pulmó=
;n,
entre ellos se encuentran: los bosques aleatorios y las máquinas de
vectores de soporte (SVM) para la detecci&oacut=
e;n y
clasificación de tumores (Sun & Cui,
2023).
Posteriormente existió una evoluci&oacu=
te;n
de este aprendizaje, con el uso de algoritmos con características
La inteligencia artificial se puede dividir en=
4
módulos: reconocimiento de imágenes, procesamiento del lengua=
je,
aprendizaje automático y la interacción hombre-computadora. El
aprendizaje automático se divide en diversos aprendizajes como:
aprendizaje supervisado, no supervisado, aprendizaje de refuerzo, aprendiza=
je
por transferencia e integrado. Los algoritmos más representativos en=
el
tipo de aprendizaje automático son: árbol de decisiones, red
neuronal artificial y el aprendizaje profundo(
Algunos algoritmos basados en el aprendizaje
automático con mayor fama que pertenecen al aprendizaje supervisado =
son:
máquinas de vectores de soporte, los árboles de decisió=
;n,
la regresión logística y el bosque aleato=
rio(Cellina et al., 2022). En el aprendizaje supervi=
sado
su mecanismo cuenta con un algoritmo de conjunto de información entr=
ada
y salida (x,y), en e=
l cual
se coloca las características que se quiere reconocer y los algoritm=
os
mapean el conjunto de información, dando como resultado una tarea de
clasificación (Cellina et al., 2022=
).
Como señala Tandon=
et al., la inteligencia artificial es un método que busca crear que =
las
máquinas pueden percibir el mundo como los humanos. Sin embargo, la
mayoría de estos algoritmos requieren una intervención humana=
(Tandon et al., 2020).
El aprendizaje profundo basado en redes neuron=
ales
convolucionales detecta con precisión tejidos con cáncer, tum=
ores
malignos y encuentra mutaciones(W. Liu et a=
l.,
2024). El aprendizaje profundo tiene la capacidad de extraer de manera
automática las características más importantes y
discriminativas de un conjunto de datos sin manipulación humana(Cong et al., 2=
020).
Un claro ejemplo de este tipo de modelo es la =
red 3D DenseSharp, que se bas=
a en una
red neuronal profunda de aprendizaje multitarea siendo más preciso e=
n el
diagnóstico que un radiólogo. Sin embargo, su especificidad es
menor debido a que este sistema puede confundir ganglios linfáticos =
de
tejidos pulmonares, vasos sanguíneos y bronquios con nódulos
pulmonares dando como resultados falsos positivos. Por otra parte, este asp=
ecto
se puede solucionar con una segmentación precisa=
(Pei et al., 2022).
Eficiencia y
Precisión de los Sistemas de IA en la interpretación de
Imágenes Médicas
Actualmente, el uso de la tomografía
computarizada de tórax es el método más utilizado para=
la
detección de cáncer de pulmón en el mundo, debido a que
ofrece una adecuada calidad de imágenes, lo que permite una correcta
diferenciación entre vasos y órganos cercanos. Sin embargo, su
precisión se ve afectada por diversos factores como: inflamaci&oacut=
e;n,
tuberculosis, necrosis y la experiencia del radiólogo, dando como
resultado omisiones y errores diagnósticos(Kanan et al., 2024).
Los modelos de inteligencia artificial (IA)
utilizados en el diagnóstico médico analizan diversas
imágenes, como datos radiológicos, lesiones y microscop&iacut=
e;as
patológicas. Según un estudio realizado por Liu et al, los
modelos muestran niveles elevados de precisión, con valores de
especificidad y sensibilidad de 0.87 (IC del 95 %: 0.82-0.90), lo que les
permite diferenciar eficazmente entre falsos positivos y falsos negativos, =
el diagnóstico
erróneo es del 13%, el diagnóstico fallido es del 12%, la
razón de verosimilitud negativa es del 0.15 y la razón de
verosimilitud positiva es del 6.5. Estos resultados indican que el uso de l=
a IA
en la detección temprana de cáncer de pulmón tiene una
precisión diagnóstica mejorada, lo que permite utilizar esta
herramienta en la práctica clínica. La IA ayuda al méd=
ico
a detectar esta enfermedad de una manera más rápida y eficaz,=
lo
que coincide con resultados de otras literaturas (M. Liu et al., 2023)=
.
Tabla 1
Ventajas de la =
IA
en la detección de cáncer de pulmón
|
Criterio
|
Métodos tradicionales en la detección del cáncer de pulmón.<= o:p> |
Método
con inteligencia artificial en la detección temprana de cán=
cer
de pulmón. |
|
Método
de detección |
Radiografía. Tomografía
computarizada. Biopsia. |
Radiografía
con IA, Análisis
de imágenes médicas (Machine Learning) Precisión
de: 0.65 para la localización =
de
nódulos. 0.76
detección en la de nódulos. Radiografía
Se
utilizó a 18 médicos de los cuales la mitad eran
radiólogos, la probabilidad de que el algoritmo clasifique
adecuadamente fue mayor de 17 de los 18 médico=
s(Tandon et al., 2020). TC
La lectura por dos radiólo=
gos
aumenta la sensibilidad de detección. Mejora
la eficiencia de los médicos (Guan et al., 2022). Actúa
como un segundo lector al instante. El empleo del tiempo utilizado en la
detección disminuye (Tandon et al=
.,
2020). |
|
Precisión
Diagnóstica |
Depende
de la experiencia del radiólogo. |
Alta,
se basa en patrones de imágenes. |
|
Detección
de tumores de pequeño tamaño. |
Baja
precisión en etapas tempranas. |
Alta
precisión en etapas tempranas. |
|
Tiempo
de diagnóstico |
Depende
de interpretación humana que dura entre 15- 20 minutos. |
Rápido,
sólo necesita de 10 segundos Análisis
automático. |
|
Accesibilidad
|
Limitada,
requiere de personal especializado. |
Mayor
acceso, sistemas más escalables |
|
Costo
|
Alto,
esto debido al uso de equipos y personal especializados. |
A
largo plazo es considerado más económico. |
|
Requerimiento
de personal Médico |
Alto,
depende de especialistas. |
Bajo
Puede
actuar como un segundo lector. |
|
Capacidad
de detección multidimensional. |
Solo
utiliza imágenes para su diagnóstico. |
Alta,
debido a que con esta herramienta integra diferentes fuentes de datos. |
|
Tasa
de falsos positivos/ negativos. |
Errores
humanos por falta de experiencia del radiólogo. |
Mejora
continua mediante IA. |
|
Capacidad
de adaptación y mejora en resultados. |
No
se adapta con facilidad. |
Se
adopta con facilidad debido a actualizaciones. |
|
Interacción
con el paciente. |
Invasivo
dependiendo del procedimiento. |
No
invasivo |
|
Regulación
y aprobación |
Regulación
aprobada y controlada. |
En
proceso de regulación. |
|
Accesibilidad |
Mundial
|
Estados
Unidos y algunos países del Reino Unido. |
En años posteriores apareció la
tomografía computarizada de 7 milisieverts, su
uso fue limitado debido a su elevada radiación. En la actualidad, la
tomografía computarizada de baja dosis, que tiene una exposici&oacut=
e;n
de radiación de 1.6 milisieverts, ofrece
imágenes de alta resolución de misma sensibilidad y especific=
idad
en comparación con una tomografía computarizada de 7 milisieverts. Esto significa un avance importante en =
la
calidad diagnóstica debido a que se obtienen imágenes de buena
calidad con menor exposición a la radiación (Silvestri & =
Jett, 2023).
Zukotynski et al, demostraron que la
tomografía computarizada de baja dosis era superior a la
radiografía de tórax en la detección de nódulos
benignos y malignos, de hecho, en la última década se ha
estudiado esta prueba con buenos resultados siendo aplicada a personas con =
un
alto riesgo de padecer esta enfermedad, como las personas fumadoras.(Zukotynski et al., 2022)
Según el estudio de Sun
et al., existen más países que han implementado programas de
detección de cáncer de pulmón. Sin embargo, esto ha da=
do
como resultado que salgan a la luz algunas limitaciones como el alto
número de falsos positivos, lo cual puede llevar a tratamientos
innecesarios en los pacientes y a incrementar los costos en el sistema de <=
span
class=3DGramE>salud(Sun & Cui, 2023)=
.
Zhang et al, menciona que la combinación
entre inteligencia artificial con tomografía computarizada de baja d=
osis
optimiza el rendimiento de los sistemas computacionales al momento de proce=
sar
gran cantidad de datos e imágenes mediante el uso del aprendizaje
profundo. Esta sinergia permite desarrollar algoritmos capaces de identific=
ar
patrones radiológicos característicos de esta enfermedad,
incrementa la precisión en la segmentación y clasificaci&oacu=
te;n
de nódulos benignos y malignos, y reduce significativamente el
número de diagnósticos erróneos(Zhang
et al., 2021).
Como señala Guo,
hace un par de décadas se utilizaban técnicas asistidas por
computadora para la detección de enfermedades. Estas técnicas=
se
basaban en la extracción manual de características y
dependían de la interpretación humana, lo que provocaba
variaciones en su precisión. En la actualidad, se emplean redes
neuronales profundas, un tipo de algoritmo de inteligencia artificial que
también se ha utilizado con éxito en la detección de o=
tras
enfermedades, como la retinopatía diabética y el cánce=
r de
mama (Guo et al., 2020).
Aspectos
éticos del uso de la IA en el diagnóstico médico
Un aspecto primordial para la utilizació=
;n
de la IA en el ámbito de la salud son las medidas de
regularización y las consideraciones éticas. Desde el aspecto
ético, lo principal al utilizar una IA es la obtención del
consentimiento informado del paciente, ya que los datos del paciente son
necesarios para desarrollar y examinar modelos relacionados con IA,
además, del aspecto sobre quien recae la responsabilidad (Ladbury et al., 2023).
Otro desafió existente es la
regularización de las aplicaciones de IA, se pretende una estandariz=
ación
de estas aplicaciones ya que en la actualidad no existen estándares
universales, sin estos estándares no se puede garantizar la validez =
de
este instrumento; para su seguridad y confiabilidad, por lo tanto, se
debería realizar un control en el desarrollo de algoritmos y una
vigilancia periódica después de su uso en el ámbito
hospitalario. Otro aspecto importante es el marco legal, específicam=
ente
el de responsabilidad en casos de un diagnóstico equivocado y un tra=
tamiento
ineficaz, por ello en este tipo de situaciones se debería realizar
ajustes y establecer normas estrictas. Al implementar normas éticas y
reguladas se garantiza un uso adecuado, eficaz y sobre todo seguro en el
paciente en el diagnóstico del cáncer de =
pulmón(Sun & Cui, 2023).
Igualmente, un desafío para la
implementación de esta herramienta es el intercambio de privacidad y
datos del paciente. En Estados unidos son muy cautelosos con este tipo de
información de hecho las multas por incumplimiento de esta ley son m=
uy
severas, por ende, los datos no deben tener la referencia de la identidad d=
el
paciente (Tandon et al., 2020).
Desafíos de la IA en la
práctica clínica y la detección de cáncer de
pulmón
Los estudios revisados presentan varias
limitaciones, entre las cuales destaca la falta de parámetros
establecidos, como el tamaño de la muestra y la cantidad de datos
necesarios para analizar la efectividad de los sistemas de inteligencia
artificial. Esto dificulta la evaluación precisa de su especificidad=
y
sensibilidad. Además, la mayoría de los sistemas de IA se
encuentran aún en fase de investigación en laboratorio, lo que
significa que, en gran medida, no se han implementado en la práctica
clínica. Otros desafíos importantes incluyen la definici&oacu=
te;n
de la responsabilidad legal, ya que estas herramientas no son completamente
fiables y requieren de profesionales experimentados para tomar las decision=
es
finales. Asimismo, la calidad y la integración de los datos, as&iacu=
te;
como los costos asociados con el uso de estos sistemas, siguen siendo aspec=
tos
inciertos y en constante discusión(Kanan et al., 2024).
En relación con los modelos de aprendiz=
aje
profundo, un aspecto que merece análisis es el hecho que se desconoc=
en
los parámetros o variables que el sistema utiliza para distinguir en=
tre
nódulos pulmonares benignos y malignos, este fenómeno se deno=
mina
“caja negra”(Ka=
nan
et al., 2024). Además, en la actualidad existen muchos algoritm=
os
de inteligencia artificial en la detección de nódulos pulmona=
res,
que utilizan referencias diferentes, lo que dificulta hacer una
comparación de los resultados y su rendimiento (Kanan
et al., 2024).
Un desafío crucial para la
implementación de la inteligencia artificial es la adquisició=
n y
organización de datos. El objetivo principal es extraer grandes
volúmenes de datos de manera eficiente para probar, entrenar y valid=
ar
diversas herramientas. Asimismo, es fundamental contar con diseños de
estudios apropiados que aseguren el control sobre el tamaño de la
muestra, la validación del modelo, el diseño del estudio y la=
implementación
de un modelo de prueba. Si estos aspectos no se cumplen adecuadamente, el
modelo podría verse afectado por sesgos, lo que impediría su
implementación en la práctica clín=
ica(Ladbury et al., 2023).
DISCUSIÓN
El cáncer de pulmón es actualmen=
te
una enfermedad con una alta tasa de mortalidad, debido a la ausencia de
síntomas en sus etapas iniciales, lo que dificulta su detecció=
;n
temprana y el tratamiento oportuno. En este contexto, la inteligencia
artificial ha emergido como una herramienta clave para mejorar la
detección del cáncer de pulmón. Según Zhao et a=
l.,
la combinación de la tomografía computarizada de dosis baja y=
la
inteligencia artificial (IA) incrementa tanto la sensibilidad como la
especificidad en la detección del cáncer de pulmón. Ad=
emás,
se logra una reducción significativa en el tiempo de diagnóst=
ico,
ya que la IA realiza el análisis en tan solo 10 segundos, en
comparación con los 20 minutos que tarda un radiólogo experimentado(Guan et al., 2022).
Los modelos de inteligencia artificial utiliza=
dos
en la detección del cáncer de pulmón han ido evolucion=
ando
a partir de la década del 2000, al principio se utilizaban algoritmos
tradicionales de aprendizaje automático, en este tipo de algoritmos =
se
colocaba características preestablecidas del diagnóstico de
cáncer de pulmón. Sin embargo, en la actualidad con el avance=
de
la tecnología se establece otro tipo de algoritmos como el aprendiza=
je
profundo, esta herramienta utiliza redes neuronales artificiales que permit=
en
almacenar gran cantidad de imágenes y datos, al tener más
información del paciente esto permite alcanzar resultados más
confiables en relación al pronóstico y la aparición de=
la
enfermedad (Guan et al., 2022; Sun & C=
ui,
2023).
El aprendizaje profundo tiene la capacidad de
extraer de manera autónoma las características más
relevantes para el diagnóstico, sin necesidad de intervención
humana, y genera resultados más precisos que un radiólogo
experimentado. Sin embargo, su especificidad es menor, ya que este sistema
puede confundir bronquios y vasos sanguíneos con nódulos
pulmonares, lo que aumenta el número de falsos positivos. Un ejemplo=
de
este modelo es la red 3D <=
span
class=3DGramE>DenseSharp.(Cong et al., 2020; Pei
et al., 2022).
De acuerdo con el estudio de Liu et al, existen
niveles elevados de precisión, con valores de sensibilidad y
especificidad del 0.87, y un diagnóstico erróneo del 13%, est=
os
resultados avalan un aumento en la precisión diagnóstica en la
detección temprana del cáncer de pulmón y que puede ser
utilizada esta herramienta en la práctica cl&iac=
ute;nica(M.
Liu et al., 2023).
La inteligencia artificial presenta ventajas s=
obre
el método tradicional en la detección del cáncer de
pulmón. En un estudio comparativo realizado con 18 médicos, de
los cuales la mitad eran radiólogos, el algoritmo logró
clasificar correctamente 17 de los 18 casos. Además, el tiempo de
detección se reduce, ya que la inteligencia artificial actúa =
como
un segundo lector de manera instantánea (Tandon=
et al., 2020).
Según Zukotynski
et al., se ha demostrado que la tomografía computarizada de baja dos=
is
es superior a la radiografía de tórax en la detección =
de
nódulos benignos y malignos. Este tipo de prueba se realiza a person=
as
con un alto riesgo de padecer cáncer de pulmón, como los
fumadores. Sin embargo, se observó que este método presenta un
alto número de falsos positivos, lo que incrementa los costos para el
sistema de salud debido a los tratamientos innecesarios que se realizan. Por
otro lado, según Zhang et al., la combinación de la tomograf&=
iacute;a
computarizada de baja dosis con inteligencia artificial, en particular el u=
so
del aprendizaje profundo, permite procesar grandes cantidades de datos e
imágenes. Esto da como resultado el desarrollo de algoritmos capaces=
de
identificar patrones radiológicos característicos del
cáncer de pulmón, mejorando la precisión, la
segmentación de nódulos benignos y malignos, y reduciendo el
número de diagnósticos erróneos(Zhang
et al., 2021; Zukotynski et al., 2022=
).
Al ser la inteligencia artificial una herramie=
nta
nueva, no existen medidas de regulación ni consideraciones ét=
icas
en su uso, específicamente en el tema del consentimiento informado d=
el
paciente. La IA necesita de datos personales del paciente para mejorar su
precisión en los diagnósticos, este aspecto debe ser tomado en
cuenta al momento de su utilización, de igual manera se menciona, qu=
e no
existe estandarización de este tipo de instrumentos. Al no tener
estándares universales no se puede establecer la seguridad, ni la
confiabilidad en estas herramientas. Por ello, la importancia de tener un
control en el desarrollo de algoritmos y una vigilancia periódica
posterior de su uso en la práctica clínica. De la misma forma=
, la
IA tiene aspectos relacionados al marco legal que no están estableci=
dos,
como es el caso de la responsabilidad en diagnósticos equivocados y
tratamientos ineficaces, por lo cual se debe realizar y establecer normas
estrictas relacionados a este tema. Al crear este tipo de normas se genera
mayor seguridad y un uso adecuado de esta herramienta en la detecció=
n de
la enfermedad (Ladbury et al., 2023; Sun & Cui, 2023; Tandon
et al., 2020).
Además, existen varios desafíos =
que
se deben afrontar de la IA en la práctica clínica en la
detección del cáncer de pulmón, principalmente se tiene
que tomar en cuenta que los estudios revisados tienen limitaciones, ya que
estos están establecidos con diferentes parámetros, tanto en =
la
cantidad de datos y el tamaño de la muestra de los estudios, lo que =
da
como resultado que no se pueda evaluar de manera correcta la sensibilidad y=
especificidad.
Otro desafío, es que los sistemas de IA en la mayoría de los
casos se encuentran en fase de investigación en laboratorios y no han
sido utilizados en el ámbito hospitalario. Así también,
con los modelos de aprendizaje profundo se desconocen los parámetros=
o
variables que el sistema utiliza para la segmentación de nódu=
los
pulmonares benignos y malignos, denominado "caja negra".
Finalmente, uno de los desafíos clave p= ara la aplicación de esta herramienta de inteligencia artificial es la adquisición y organización de datos. Los estudios deben garantizar un control adecuado del tamaño de la muestra para validar= el modelo, evitando así que el algoritmo se sesgue, lo que podría impedir que la inteligencia artificial, y en particular sus algoritmos, se utilicen en la práctica clínica (Kanan et al., 2024; Ladbury et al., 2023).<= o:p>
CONCLUSIÓN
En conclusión, con el avance en la
tecnología, específicamente de la inteligencia artificial en
particular de las redes neuronales y los algoritmos de aprendizaje profundo,
hoy en día este tipo de herramientas permiten una mejora en la
detección temprana del cáncer de pulmón dando como
resultados beneficios tanto para el paciente como el médico. Para el
paciente con la aplicación de esta tecnología se mejora la ta=
sa
de supervivencia debido a una oportuna detección, mejora en la
sensibilidad, tasa de falsos positivos reducida y de esta manera tratamient=
os
innecesarios. Con respecto a los médicos, se mejora el tiempo de
diagnóstico de minutos a solamente segundos, con esto se ve una
disminución de diagnósticos erróneos causados por
cansancio, los sistemas de IA cada vez adquieren más datos por lo cu=
al
existe una mejora en su precisión diagnóstica. Sin embargo,
existe en la actualidad una falta de control de estas herramientas nuevas y
regularizaciones adecuadas para este tipo de tecnologías.
REFERENCIAS
Arrieta, O., Cardona, A. F., Zatarain-Barron, Z. L., Rolfo, C.,
Ordoñez, C., Patiño, A. R., & Rosell, R. (2021). Historia=
del
cáncer de pulmón: Desde Doll y Hi=
ll
hasta las terapias de precisión. Medicina, 43(1), Article
1. https://doi.org/10.56050/01205498.1589
Cellina, M., Cè,
M., Irmici, G., Ascenti,
V., Khenkina, N., Toto-Bro=
cchi,
M., Martinenghi, C., Papa, S., & Carrafiello, G. (2022). Artificial Intelligence in Lung Cancer Imag=
ing:
Unfolding the Future. Diagnostics (Basel, Switzerland), 12(11), 2644. https=
://doi.org/10.3390/diagnostics12112644
Chassagnon, G., De Margerie-Mellon, C., Vakalopoulo=
u,
M., Marini, R., Hoang-Thi, T.-N., Revel, M.-P.,=
&
Soyer, P. (2023). Artificial intelligence in lu=
ng
cancer: Current applications and perspectives. Japanese Journal of Radiolog=
y,
41(3), 235-244. https://doi.org/10.1007/s11604-=
022-01359-x
Cong, L., Feng, W., Yao, Z., Zhou, X., &
Xiao, W. (2020). Deep Learning Model as a New Trend in Computer-aided Diagn=
osis
of Tumor Pathology for Lung Cancer. JOURNAL OF CANCER, 11(12), 3615-3622.
https://doi.org/10.7150/jca.43268
Espinoza, J. L., & Dong, L. T. (2020).
Artificial Intelligence Tools for Refining Lung Cancer Screening. Journal of
Clinical Medicine, 9(12), 3860. https://doi.org/10.3390/jcm9123860
Guan, X., Qin, T., & Qi, T. (2022).
Precision Medicine in Lung Cancer Theranostics:
Paving the Way from Traditional Technology to Advance Era. Cancer Control : Journal of the Moffitt Cancer Cen=
ter,
29, 10732748221077351. https://doi.org/10.1177/10732748221077351
Guo, J., Wang, C., Xu, X., Shao, J., Yang, =
L.,
Gan, Y., Yi, Z., & Li, W. (2020). DeepLN: An
artificial intelligence-based automated system for lung cancer screening.
ANNALS OF TRANSLATIONAL MEDICINE, 8(18), 1126.
https://doi.org/10.21037/atm-20-4461
Hung, S.-C., Wang, Y.-T., & Tseng, M.-H.
(2023). An Interpretable Three-Dimensional Artificial Intelligence Model for
Computer-Aided Diagnosis of Lung Nodules in Computed Tomography Images.
Cancers, 15(18), 4655. https://doi.org/10.3390/cancers=
15184655
Kanan, M., Alharbi, =
H.,
Alotaibi, N., Almasuood, L., Aljoaid,
S., Alharbi, T., Albraik, L., Alothman,
W., Aljohani, H., Alzahran=
i,
A., Alqahtani, S., Kalanta=
n,
R., Althomali, R., Alameen=
,
M., & Mufti, A. (2024). AI-Driven Models for Diagnosing and Predicting
Outcomes in Lung Cancer: A Systematic Review and Meta-Analysis. Cancers, 16=
(3),
674. https://doi.org/10.3390/cancers16030674
Ladbury<=
/span>, C., Amini, A., Govindarajan, A., Mam=
betsariev,
I., Raz, D. J., Massarelli, E., Williams, T., R=
odin,
A., & Salgia, R. (2023). Integration of art=
ificial
intelligence in lung cancer: Rise of the machine. Cell Reports Medicine, 4(=
2),
100933. https://doi.org/10.1016/j.xcrm.2023.100933
Liu, M., Wu, J., Wang, N., Zhang, X., Bai, =
Y.,
Guo, J., Zhang, L., Liu, S., & Tao, K. (2023). The value of artificial
intelligence in the diagnosis of lung cancer: A systematic review and
meta-analysis. PloS One, 18(3), e0273445.
https://doi.org/10.1371/journal.pone.0273445
Liu, W., Shen, N., Zhang, L., Wang, X., Che=
n,
B., Liu, Z., & Yang, C. (2024). Research in the application of artifici=
al
intelligence to lung cancer diagnosis. FRONTIERS IN MEDICINE, 11, 1343485.
https://doi.org/10.3389/fmed.2024.1343485
Pei, Q., Luo, Y., Chen, Y., Li, J., Xie, D., & Ye, T. (2022). Artificial intelligence=
in
clinical applications for lung cancer: Diagnosis, treatment and prognosis.
CLINICAL CHEMISTRY AND LABORATORY MEDICINE, 60(12), 1974-1983.
https://doi.org/10.1515/cclm-2022-0291
Quanyang=
, W., Yao, H., =
Sicong, W., Linlin, Q., <=
span
class=3DSpellE>Zewei, Z., Donghui, H., <=
span
class=3DSpellE>Hongjia, L., & Shijun=
, Z.
(2024). Artificial intelligence in lung cancer screening: Detection,
classification, prediction, and prognosis. Cancer Medicine, 13(7=
), e7140. https://doi.org/10.1002/c=
am4.7140
Sanchez, G. A. C., Palacios, C. V. U., Palacio=
s,
N. A. U., & Labre, K. O. M. (2022). Cáncer de pulmón y su
importancia en el diagnóstico primario. =
RECIAMUC=
, 6(2), Article=
2.
https://doi.org/10.26820/reciamuc/6.(2).mayo.2022.208-217
Silvestri, G. A., & Jett, J. R. (2023).=
The
Intersection of Lung Cancer Screening, Radiomics, and Artificial Intelligen=
ce:
Can One Scan Really Predict the Future Development of Lung Cancer? JOURNAL =
OF
CLINICAL ONCOLOGY, 41(12), 2141-+. https://doi.org/10.1200/JCO.22.02885
Sun, M., & Cui, C. (2023). Transforming
lung cancer care: Synergizing artificial intelligence and clinical expertise
for precision diagnosis and treatment. AIMS BIOENGINEERING, 10(3), 331-361.
https://doi.org/10.3934/bioeng.2023020
Tandon, Y. K., Barthol=
mai,
B. J., & Koo, C. W. (2020). Putting artificial intelligence (AI) on the
spot: Machine learning evaluation of pulmonary nodules. JOURNAL OF THORACIC
DISEASE, 12(11), 6954-6965. https://doi.org/10.21037/j=
td-2019-cptn-03
Zhang, H., Meng, D., Cai, S., Guo, H., Chen,
P., Zheng, Z., Zhu, J., Zhao, W., Wang, H., Zhao, S., Yu, J., & He, Y.
(2021). The application of artificial intelligence in lung cancer: A narrat=
ive
review. Translational Cancer Research, 10(5), 2478-2487.
https://doi.org/10.21037/tcr-20-3398
Zhao, L., Bai, C.-X., & Zhu, Y. (2020).
Diagnostic value of artificial intelligence in early-stage lung cancer. CHI=
NESE
MEDICAL JOURNAL, 133(4), 503-504. https://doi.org/10.1097/CM9.0000000000000634
Zukotynski, K. A., Gaudet=
, V.
C., Uribe, C. F., Chiam, K., Benard,
F., & Gerbaudo, V. H. (2022). Clinical
Applications of Artificial Intelligence in Positron Emission Tomography of =
Lung
Cancer. PET
CLINICS, 17(1), 77-84. https://doi.org/10.1016/=
j.cpet.2021.09.001
Todo
el contenido de LATAM Revista
Latinoamericana de Ciencias Sociales y Humanidades, publicados en este
sitio está disponibles bajo Licencia Creative
Commons ![3D"https://revistacientifica.uamericana.edu.py/public/site/images/aduar=](3D"003_RamosPortero_archivos/image003.jpg")
.