Una colaboración de importantes instituciones de investigación chinas ha desarrollado un método basado en inteligencia artificial llamado GRAPE, que demuestra una alta precisión en la detección del cáncer gástrico a partir de tomografías computarizadas de rutina sin contraste.
por Justin Jackson , Phys.org
El cáncer gástrico se encuentra entre las neoplasias malignas más letales del mundo, especialmente en las poblaciones asiáticas. En China, Japón y Corea, casi tres cuartas partes de los nuevos diagnósticos y muertes se concentran cada año, lo que refleja las limitadas barreras para la detección temprana y el tratamiento. La endoscopia sigue siendo la técnica de referencia para el diagnóstico, permitiendo a los médicos visualizar la mucosa gástrica y tomar biopsias para su confirmación.
Los programas nacionales de cribado en Japón y Corea han aumentado las tasas de supervivencia gracias a la generalización de los exámenes endoscópicos. Muchos países carecen de los recursos necesarios para implementar estas estrategias, y la invasividad del procedimiento, junto con la percepción social, reduce aún más las tasas de cumplimiento. El cribado serológico ofrece una alternativa menos invasiva, pero solo logra mejoras marginales en comparación con la gastroscopia poblacional.
El bajo cumplimiento, las tasas de detección limitadas y los costos prohibitivos han generado una demanda urgente de métodos asequibles y no invasivos para identificar a los individuos de alto riesgo antes de que el cáncer avance más allá de las etapas curativas.
En el estudio, «Detección a gran escala basada en IA de cáncer gástrico a partir de imágenes de TC sin contraste», publicado en Nature Medicine , los investigadores desarrollaron GRAPE (Procedimiento de evaluación de riesgo de cáncer gástrico con inteligencia artificial) para identificar a pacientes con cáncer gástrico (CG) a través del análisis de aprendizaje profundo de tomografías computarizadas (TC) sin contraste.
Los investigadores entrenaron GRAPE con datos de dos centros en China, que abarcaban 3470 casos de GC y 3250 casos no oncológicos. Tras su desarrollo, GRAPE se sometió a una validación exhaustiva con una cohorte interna de 1298 casos, alcanzando una sensibilidad del 85,1 %, una especificidad del 96,8 % y un área bajo la curva (AUC) de 0,970. La validación en una cohorte externa de 16 centros con 18 160 casos confirmó un rendimiento estable, con un AUC de 0,927 y puntuaciones de sensibilidad y especificidad del 81,7 % y el 90,5 %, respectivamente.
Se realizaron evaluaciones adicionales a través de estudios de lectores en los que participaron 13 radiólogos que interpretaron 297 exploraciones. GRAPE superó consistentemente a los lectores humanos, mejorando significativamente la sensibilidad en un 21,8 % y la especificidad en un 14,0 %, en particular para los casos de GC en etapa temprana.
Incluso después de que los radiólogos reevaluaran las exploraciones con la asistencia de GRAPE luego de un período de lavado, la IA mantuvo una precisión superior, lo que subraya su papel potencial como una sólida herramienta de apoyo al diagnóstico.
La validación en entornos del mundo real implicó el análisis de 78.593 tomografías computarizadas consecutivas sin contraste recopiladas entre 2018 y 2024 de un centro oncológico integral (Hospital Oncológico de Zhejiang) y dos hospitales regionales (Hospital Popular de Fenghua y Hospital Popular de Pingyang).
GRAPE identificó eficazmente a individuos de alto riesgo, con tasas de detección de GC del 24,5 % en Fenghua y del 17,7 % en Pingyang. Aproximadamente el 40 % de estos casos detectados no presentaban síntomas abdominales previos. En la cohorte del Centro Oncológico de Zhejiang, GRAPE detectó cáncer con una tasa del 12,1 %, incluso meses antes del diagnóstico clínico en pacientes con seguimiento por otros tipos de cáncer.
GRAPE integra la segmentación tumoral y la clasificación a nivel de paciente en un único marco de aprendizaje profundo. Inicialmente, GRAPE identifica el área del estómago en la imagen de TC completa, luego recorta esta región para detectar tumores y, simultáneamente, clasifica al paciente como con o sin GC.
El análisis visual demostró una delimitación clara de las áreas tumorales, alineándose bien con las predicciones de GRAPE y permitiendo a los radiólogos interpretar rápidamente los resultados.
Si bien GRAPE logró altas tasas de detección general, su sensibilidad para los cánceres en etapa temprana siguió siendo limitada. El sistema identificó aproximadamente el 50 % de los cánceres gástricos en etapa temprana (T1) en las cohortes de validación, lo que refleja las dificultades de detectar lesiones pequeñas o sutiles en tomografías computarizadas sin contraste.
En comparación, los GC en etapa temprana son precisamente lo que el examen endoscópico logra detectar con excelencia, ya que permite la visualización directa de cambios menores en la mucosa y permite tomar muestras de tejido para su confirmación.
Los investigadores reconocen que es necesario realizar más mejoras y pruebas, específicamente un gran ensayo de detección prospectivo para evaluar la eficacia de GRAPE en el mundo real y optimizar su sensibilidad para los cánceres en etapa temprana.
Los planes incluyen ampliar los datos de entrenamiento para abarcar cánceres en etapas tempranas e incorporar información patológica detallada. Los investigadores también sugieren mejoras en los procedimientos, como la distensión gástrica antes de la toma de imágenes, para optimizar la detección en etapas tempranas.
GRAPE representa un avance sustancial en la detección de GC a gran escala y ofrece un potencial significativo para mejorar las tasas de diagnóstico temprano a través de un método más accesible, rentable y no invasivo.
Escrito para ti por nuestro autor Justin Jackson , editado por Sadie Harley y revisado por Robert Egan , este artículo es el resultado de un minucioso trabajo humano. Confiamos en lectores como tú para mantener vivo el periodismo científico independiente. Si este reportaje te interesa, considera hacer una donación (especialmente mensual). Recibirás una cuenta sin anuncios como agradecimiento.
Más información: Can Hu et al., Cribado a gran escala de cáncer gástrico basado en IA a partir de imágenes de TC sin contraste, Nature Medicine (2025). DOI: 10.1038/s41591-025-03785-6
