Precisión del algoritmo de aprendizaje profundo para la detección y estratificación del riesgo de nódulos pulmonares

El osteosarcoma se considera el tumor óseo maligno más común en niños y adolescentes. Aproximadamente del 15% al ​​20% de los pacientes con osteosarcoma presentan enfermedad metastásica detectable, y la mayoría de los cuales (85%) tienen lesiones pulmonares como único sitio de metástasis. Estudios previos han demostrado que la tasa de supervivencia general entre los pacientes con osteosarcoma localizado sin enfermedad metastásica es de aproximadamente 60 % a 70 %, mientras que la tasa de supervivencia se reduce a 10 % a 30 % en pacientes con enfermedad metastásica. Aunque últimamente, los regímenes quimioterapéuticos neoadyuvantes y adyuvantes pueden disminuir la tasa de mortalidad, del 30% al 50% de los pacientes todavía mueren de metástasis pulmonares. El número, la distribución y el momento de las metástasis pulmonares tienen un valor pronóstico para la supervivencia y, por lo tanto, las imágenes de tórax por tomografía computarizada (TC) aún desempeñan un papel vital en la vigilancia de la enfermedad. En la última década, la tecnología de tomografía computarizada multidetector ha mejorado la detección de numerosas lesiones pulmonares más pequeñas, lo que por un lado puede aumentar la sensibilidad diagnóstica para la metástasis pulmonar, sin embargo, la especificidad puede reducirse. En los últimos años, el algoritmo de inteligencia artificial (IA) de aprendizaje profundo en una amplia variedad de exámenes de imágenes es un tema candente. Actualmente, se ha desarrollado e introducido rápidamente en el mercado un número cada vez mayor de sistemas de diagnóstico asistido por computadora (CAD) basados ​​en tecnologías de aprendizaje profundo que apuntan a una detección más rápida y una interpretación correcta de los nódulos pulmonares. Hasta ahora, las investigaciones que se concentran en mejorar la precisión de la clasificación de nódulos benignos/malignos han logrado un progreso sustancial, inspirados por el tremendo avance de las técnicas de aprendizaje profundo. En consecuencia, la mayoría de los sistemas CAD existentes pueden realizar la clasificación de nódulos pulmonares con una precisión superior al 90%. En la práctica clínica, no solo la determinación de malignidad del nódulo pulmonar, sino también la distinción entre carcinoma primario y metástasis intrapulmonar es crucial para el manejo del paciente. Sin embargo, la mayoría de las clasificaciones existentes de nódulos pulmonares aplicadas en el sistema CAD sigue siendo un patrón binario (benigno frente a maligno), a falta de una clasificación de nódulos más completa caracterizada por la división de nódulos primarios y metastásicos. Hasta donde sabemos, solo unos pocos estudios se han centrado en el rendimiento del sistema CAD basado en aprendizaje profundo para identificar nódulos pulmonares metastásicos hasta ahora. En este estudio propuesto, los investigadores buscaron determinar la precisión y la sensibilidad de un sistema asistido por computadora basado en un algoritmo de inteligencia artificial de aprendizaje profundo para la detección y estratificación del riesgo de nódulos pulmonares en pacientes con sarcoma osteogénico.