En los últimos años, es cierto que el diagnóstico por imagen basado en IA ha avanzado rápidamente en el campo de la medicina, pero sin embargo, los factores que afectan a las determinaciones diagnósticas de los radiólogos en la lectura de imágenes asistida por IA siguen sin explorarse lo suficiente.
Estos factores fueron estudiados por investigadores de la Universidad Nacional de Seúl (Corea del Sur), quienes vieron cómo podrían influir en la detección de nódulos pulmonares malignos durante la lectura de radiografías de tórax asistida por IA.
En este estudio fueron evaluadas un total de 120 radiografías de tórax sin IA por 30 lectores, incluidos 20 radiólogos torácicos con entre cinco y 18 años de experiencia y 10 residentes de radiología con solo dos o tres años de experiencia.
De esas 120 radiografías de tórax evaluadas, 60 eran de pacientes con cáncer de pulmón (32 varones) y 60 eran controles (36 varones), con una edad media de 67 años. En la segunda sesión, cada grupo interpretó las radiografías con la asistencia de un IA de alta o baja precisión sin que los lectores supieran que se había utilizado dos IA diferentes.
Se demostró de este modo, que el uso de la IA de alta precisión mejoró el rendimiento de detección de los lectores en mayor medida que la IA de baja precisión y que,además, provocó cambios más frecuentes en las determinaciones de los lectores, un concepto conocido como susceptibilidad.
El doctor Chang Min Park, el autor principal del estudio, afirma que es posible que el tamaño relativamente grande la muestra de este estudio reforzará la confianza de los lectores en las sugerencias de la IA, algo que cree que se observa en la susceptibilidad de este estudio, según lo cual los humanos son más susceptibles a la IA cuando se utiliza IA de alto rendimiento diagnóstico.
Y es que, en comparación con la primera sesión de lectura, los lectores asistidos por la IA de alta precisión diagnóstica mostraron una mayor sensibilidad por lesión (0,63 frente a 0,53) y especificidad (0,94 frente a 0,88) durante la segunda sesión. Por el contrario, los lectores asistidos por el IA de baja precisión diagnóstica no mostraron mejoras entre las dos sesiones de lectura para ninguna de estas mediciones.
El estudio sugiere que la IA puede ayudar a los radiólogos, pero solo cuando el rendimiento diagnóstico de la IA alcanza o supera al del lector humano. Sus resultados subrayan, del mismo modo, la importancia de utilizar IA de alto rendimiento diagnóstico, la cual, sin embargo, puede variar en función de la tarea y del contexto clínico en el que se vaya a utilizar.
Un modelo de IA, por ejemplo, capaz de detectar todas las anomalías en las radiografías de tórax puede parecer ideal, pero en la práctica ese modelo tendría un valor limitado a la hora de reducir la carga de trabajo en un contexto de cribado masivo de la tuberculosis pulmonar.
Por esa razón, el estudio sugiere que el uso clínicamente apropiado de la IA requiere tanto el desarrollo de modelos de IA de alto rendimiento para tareas determinadas como consideraciones sobre el entorno clínico pertinente al que se aplicará esa IA.
De cara al futuro, los investigadores querrían ampliar su trabajo sobre la colaboración entre humanos de IA a otras anomalías en radiografías de tórax e imágenes de TC.
