La IA supera a los expertos en el diagnóstico del cáncer de ovario, según unos médicos suecos en un estudio en Nature
¿Puede un conjunto de algoritmos ser más hábil a la hora de detectar un cáncer de ovario que los especialistas en medicina? La IA vuelve a poner a prueba a los expertos y ya se alza como una herramienta complementaria.
La inteligencia artificial (IA) está dando que hablar en el ámbito médico. Un estudio internacional liderado por investigadores del Instituto Karolinska en Suecia ha demostrado que los modelos basados en inteligencia artificial pueden superar a los expertos humanos en la identificación del cáncer de ovario a través de imágenes de ultrasonido. Pero, ¿cómo es posible que la combinación de unos algoritmos detecte rápidamente este tipo de tumores?
Así se detectan los tumores en el ovario
Los tumores ováricos son comunes y, en muchos casos, se detectan por casualidad. La escasez de profesionales en el ámbito del ultrasonido alrededor del mundo es una de las principales preocupaciones en este ámbito.
Esto, según la profesora Elisabeth Epstein, del Departamento de Ciencias Clínicas y Educación del Hospital General del Sur de Estocolmo y el Instituto Karolinska, “genera preocupaciones sobre intervenciones innecesarias y retrasos en los diagnósticos de cáncer”.
A new study from @NatureMedicine highlights transformer-based #AI models outperforming experts in diagnosing ovarian cancer via ultrasound images. The models achieved an F1 score of 83.5%, compared to 79.5% for experts and 74.1% for non-experts, reducing misdiagnoses by 18%. pic.twitter.com/k7C4OYPjhF
— Yong Li (@fugapku) January 4, 2025
Es, precisamente, este problema lo que motivó al equipo de investigadores a explorar el potencial de la IA como una herramienta complementaria para los expertos humanos.
Más de 17.000 imágenes para entrenar a la IA
El equipo desarrolló y validó modelos de redes neuronales capaces de diferenciar entre lesiones ováricas benignas y malignas. Para ello, entrenaron y probaron la IA con más de 17.000 imágenes de ultrasonido tomadas de 3.652 pacientes en 20 hospitales distribuidos en ocho países. Los resultados, publicados en Nature, se compararon con el diagnóstico de un grupo amplio de expertos en ultrasonido y examinadores menos experimentados.
La IA logró una tasa de precisión del 86,3%, superando a los expertos humanos, que alcanzaron un 82,6 %, y a los examinadores no especializados, con un 77,7%.Estos resultados sugieren que los modelos de redes neuronales pueden ofrecer un apoyo valioso en el diagnóstico del cáncer de ovario, especialmente en casos difíciles de diagnosticar y en entornos donde hay escasez de expertos en ultrasonido.
Reducción de derivaciones a especialistas
Además de mejorar la precisión diagnóstica, la IA también puede optimizar el flujo de pacientes. El uso de modelos de IA redujo en un 63% las derivaciones a especialistas y disminuyó la tasa de diagnósticos erróneos en un 18%. Este avance no solo promete agilizar la atención médica, sino también reducir costes y mejorar la experiencia del paciente.
A pesar de todo, los investigadores resaltan la necesidad de realizar estudios adicionales para comprender mejor las limitaciones y el potencial clínico completo de estas herramientas basadas en IA. Actualmente, se están llevando a cabo estudios clínicos prospectivos en el Hospital General del Sur de Estocolmo para evaluar la seguridad y utilidad de la IA en la práctica diaria. Además, se planea un estudio multicéntrico aleatorizado para analizar el impacto de estas herramientas en la gestión de pacientes y los costos de la atención sanitaria.
El uso de inteligencia artificial para diagnosticar el cáncer de ovario representa un avance revolucionario en la medicina. Con una mayor investigación y adaptación, estas herramientas podrían revolucionar el panorama del diagnóstico médico, ofreciendo soluciones más rápidas, precisas y accesibles en todo el mundo.
Referencia de la noticia
International multicenter validation of AI-driven ultrasound detection of ovarian cancer. Christiansen, F., Konuk, E., Ganeshan, A.R. et al. Nat Med (2025).