Primer modelo de IA para diagnóstico de cáncer de tiroides con precisión superior al 90 %

El cáncer de tiroides es uno de los cánceres más comunes en todo el mundo, y su manejo preciso generalmente se basa en dos sistemas principales: (1) la 8va edición del Comité Conjunto Estadounidense sobre Cáncer (AJCC) o sistema de estadificación del cáncer Tumor-Nodo-Metástasis (TNM), que ayuda a determinar el estadio del cáncer, y (2) el sistema de clasificación de riesgo de la Asociación Estadounidense de Tiroides (ATA), que se utiliza para categorizar el riesgo de cáncer. Estos sistemas son vitales para predecir la supervivencia del paciente y guiar las decisiones de tratamiento. Sin embargo, la integración manual de los datos clínicos complejos en estos sistemas puede consumir mucho tiempo y ser ineficiente. Ahora, los investigadores han presentado el primer modelo de inteligencia artificial (IA) del mundo capaz de clasificar tanto el estadio como la categoría de riesgo del cáncer de tiroides con una precisión notable, que supera el 90 %. Este innovador modelo de IA, presentado en la revista npj Digital Medicine, está configurado para reducir significativamente el tiempo de preparación previo a la consulta para los médicos de primera línea en aproximadamente un 50 %.

Un equipo de investigación interdisciplinario de la Facultad de Medicina LKS de la Universidad de Hong Kong (HKUMed, Hong Kong) desarrolló un asistente de IA que emplea grandes modelos de lenguaje (LLM), como ChatGPT y DeepSeek. Estos modelos están diseñados para comprender y procesar el lenguaje humano, lo que ayuda a analizar documentos clínicos y a mejorar la precisión y la eficiencia de la estadificación y la clasificación del riesgo de cáncer de tiroides. El modelo utiliza cuatro LLM fuera de línea y de código abierto: Mistral (Mistral AI), Llama (Meta), Gemma (Google) y Qwen (Alibaba), para interpretar documentos clínicos de texto libre. El modelo de IA se entrenó utilizando un conjunto de datos de acceso abierto de Estados Unidos que incluía informes de patología de 50 pacientes con cáncer de tiroides del Programa Atlas del Genoma del Cáncer (TCGA), con validación realizada utilizando informes de patología de 289 pacientes del TCGA y 35 pseudocasos creados por cirujanos endocrinos.

Al combinar los resultados de los cuatro LLM, el equipo de investigación logró mejorar el rendimiento general del modelo de IA, alcanzando una tasa de precisión que oscila entre el 88,5 % y el 100 % en la clasificación de riesgo ATA y entre el 92,9 % y el 98,1 % en la estadificación del cáncer del AJCC. Además de su alta precisión en la extracción y el análisis de información compleja de informes de patología, registros de operaciones y notas clínicas, el modelo de IA también reduce drásticamente el tiempo de preparación de los médicos a casi la mitad en comparación con la interpretación manual. Una ventaja significativa de este modelo es su capacidad para operar sin conexión, lo que permite su implementación local sin la necesidad de compartir o cargar datos confidenciales de los pacientes, garantizando así la máxima privacidad del paciente. La versatilidad del modelo de IA significa que puede integrarse fácilmente en una variedad de entornos de atención médica, tanto públicos como privados, así como en instituciones internacionales de atención médica e investigación.

“En consonancia con la firme defensa del gobierno de la adopción de la IA en la atención médica, como lo demuestra el reciente lanzamiento del sistema de redacción de informes médicos basado en LLM en la Autoridad Hospitalaria, nuestro próximo paso es evaluar el rendimiento de este asistente de IA con una gran cantidad de datos reales de pacientes”, declaró el Dr. Carlos Wong, Profesor Asociado Honorario del Departamento de Medicina Familiar y Atención Primaria de la Facultad de Medicina Clínica de HKUMed. “Una vez validado, el modelo de IA podrá implementarse fácilmente en entornos clínicos y hospitales reales para ayudar a los profesionales clínicos a mejorar la eficiencia operativa y del tratamiento”.

Enlaces relacionados:
Universidad de Hong Kong

Visitar la expo >

Miembro Platino

PRUEBA DE INMUNOENSAYO DE XILAZINA

Xylazine ELISA

Magnetic Bead Separation Modules
MAG and HEATMAG

POCT Fluorescent Immunoassay Analyzer

FIA Go

Miembro Oro

Spinal Fluid Cell Count Control

Spinalscopics