RESUMEN

Introducción a la IA en Gastroscopia

La inteligencia artificial aplicada a la endoscopia digestiva ha tenido un crecimiento exponencial en los últimos años. Si bien su uso en la colonoscopia para la detección de adenomas es ampliamente reconocido, su aplicación en la gastroscopia, particularmente en el diagnóstico temprano del cáncer gástrico, está en desarrollo. En esta sesión se revisa la evolución de la IA, sus aplicaciones en gastroscopia y las implicaciones para el futuro.

El término "inteligencia artificial" surgió en la Conferencia de Vermont en la década de 1950. Posteriormente, avances como el machine learning y las redes neuronales profundas han permitido un progreso significativo en este campo. En 2017, la introducción de las redes neuronales transformer facilitó la aparición de modelos generativos como ChatGPT, acelerando la adopción de la IA en diversas disciplinas, incluida la endoscopia digestiva.

Modelo Endoscópico de Carcinogénesis Gástrica

El desarrollo del cáncer gástrico sigue una secuencia bien establecida en la mucosa gástrica, correlacionada con hallazgos endoscópicos. El modelo endoscópico de carcinogénesis gástrica, descrito recientemente, permite asociar manifestaciones endoscópicas con la histología, desde una mucosa normal hasta lesiones preneoplásicas y neoplásicas. Entre los hallazgos más importantes se incluyen:

• Atrofia gástrica: Caracterizada por la pérdida de glándulas y visualizada mediante el borde atrófico y la clasificación de Kimura-Takemoto.
• Metaplasia intestinal: Identificada por el patrón de cresta turbia marginal en la cromoendoscopia.
• Displasia y cáncer gástrico: Detección basada en la ausencia de patrón glandular y vascular regular en áreas demarcadas, siguiendo el algoritmo MESDA-G.

Aplicación de IA en la Detección de Lesiones Gástricas

El entrenamiento de redes neuronales con imágenes endoscópicas ha permitido desarrollar algoritmos capaces de diferenciar entre mucosa normal, atrofia y displasia. Un aspecto clave es la variabilidad interobservador en la detección de lesiones, lo que justifica el uso de IA para mejorar la precisión diagnóstica.

Estudios han demostrado que los modelos de IA pueden igualar la rentabilidad diagnóstica de un endoscopista experto en la detección de lesiones gástricas preneoplásicas y neoplásicas. En particular, se han desarrollado sistemas similares a los CADX y CADY usados en colonoscopias, con capacidad de detección en tiempo real de atrofia y metaplasia intestinal con una precisión cercana al 90%.

En 2021, una red neuronal convolucional alcanzó una sensibilidad del 90% en la identificación de lesiones preneoplásicas. En 2023, mediante la optimización de la base de datos de entrenamiento, se logró un rendimiento diagnóstico aún mayor, con una precisión cercana al 100% en la detección de metaplasia intestinal y del 97% en la detección de atrofia.

Diagnóstico de Cáncer Gástrico con IA

La evolución de la IA ha permitido no solo detectar lesiones, sino también clasificarlas y predecir su naturaleza maligna. Un sistema basado en la red ResNet ha demostrado una precisión del 95% en la detección de displasia y del 90% en la diferenciación de lesiones con y sin invasión profunda.

Uno de los principales desafíos de la IA en medicina es la caja negra del modelo, es decir, la falta de transparencia sobre cómo se generan sus conclusiones. A pesar de su alta precisión, los endoscopistas no pueden depender completamente de estos modelos, ya que pueden perder hasta el 25% de las lesiones en estudios de validación interna.

Experimento con IA Generativa

Como demostración del potencial de la IA en endoscopia, se realizó un experimento en el que se utilizó el modelo Gemini Flash 2.0 para analizar en tiempo real una gastroscopia. Sin haber sido específicamente entrenada en imágenes endoscópicas, la IA logró identificar correctamente el antro gástrico y describir anomalías en la mucosa. Este experimento sugiere que, con entrenamiento específico, la IA generativa podría desempeñar un papel clave en la endoscopia asistida.

Limitaciones y Futuro de la IA en Gastroscopia

A pesar de sus avances, la IA en gastroscopia presenta varias limitaciones:

1. Generalización de los datos: La mayoría de los estudios provienen de Asia, lo que podría afectar la aplicabilidad en poblaciones occidentales.
2. Falta de modelos de estratificación de riesgo: Aún no existen algoritmos capaces de influir en los plazos de seguimiento de pacientes según su riesgo.
3. Dependencia excesiva de la IA: La supervisión del endoscopista sigue siendo fundamental para evitar errores diagnósticos.
4. Caja negra: La falta de explicación clara sobre cómo la IA toma decisiones sigue siendo un desafío en su adopción clínica.

En el futuro, se espera el desarrollo de endoscopias autónomas o semi-autónomas, donde la IA desempeñe un papel central en la detección y diagnóstico, con el endoscopista actuando como supervisor. Otras especialidades, como la radiología y la anatomía patológica, ya están viendo transformaciones significativas con la IA, y la endoscopia podría seguir el mismo camino.

Conclusiones

• La IA ha demostrado ser una herramienta valiosa para mejorar la precisión en la detección de lesiones gástricas.
• Las redes neuronales han alcanzado precisiones comparables a las de endoscopistas expertos en la identificación de atrofia, metaplasia intestinal y displasia.
• Los experimentos con IA generativa sugieren que en el futuro podrían desarrollarse modelos aún más precisos y útiles en la práctica clínica.
• A pesar de sus avances, la IA debe utilizarse como un copiloto en la endoscopia, sin reemplazar la supervisión humana.
• En el futuro, podrían desarrollarse modelos de IA que permitan endoscopias autónomas o semi-autónomas, mejorando la eficiencia y precisión del diagnóstico endoscópico.

MOMENTOS DESTACADOS

• 0:06 – Introducción a la clase: IA en gastroscopia y su impacto en el diagnóstico precoz del cáncer gástrico.
• 0:50 – Historia de la IA: desde la Conferencia de Vermont hasta la aparición de ChatGPT.
• 3:40 – Desarrollo del machine learning y redes neuronales en IA.
• 4:50 – Introducción al modelo endoscópico de carcinogénesis gástrica.
• 10:30 – Explicación de la atrofia gástrica y metaplasia intestinal en la endoscopia.
• 14:20 – Algoritmo MESDA-G para la detección endoscópica de displasia y cáncer gástrico.
• 18:15 – Aplicación de la IA en la detección de lesiones preneoplásicas y su rentabilidad diagnóstica.
• 21:40 – Estudios sobre redes neuronales para la detección de atrofia y metaplasia intestinal (precisión del 97-100%).
• 25:00 – Diagnóstico de displasia y cáncer gástrico con IA (precisión del 90-95%).
• 28:10 – Limitaciones de la IA: variabilidad en bases de datos, caja negra y dependencia del usuario.
• 30:45 – Experimento en tiempo real con IA generativa (Gemini Flash 2.0) en gastroscopia.
• 35:10 – Resultados del experimento: IA identifica mucosa gástrica y posibles lesiones.
• 38:45 – Futuro de la IA en endoscopia: endoscopias semi-autónomas y supervisión médica.
• 42:30 – Conclusiones: la IA mejora la detección endoscópica pero requiere refinamiento.
• 45:50 – Reflexión final sobre la integración de la IA en la práctica médica y su evolución futura.
• 28:28 - 28:34 – Despedida y cierre de la clase.

‍

OBJETIVOS DE APRENDIZAJE

• Comprender la evolución de la inteligencia artificial y su impacto en la gastroscopia.
• Identificar el modelo endoscópico de carcinogénesis gástrica y su aplicación en la detección de lesiones preneoplásicas.
• Evaluar la precisión de los modelos de IA en la detección de atrofia, metaplasia intestinal y cáncer gástrico.
• Analizar las ventajas y limitaciones de la IA en endoscopia digestiva.
• Reflexionar sobre el futuro de la IA en la endoscopia y su potencial para revolucionar el diagnóstico endoscópico.

‍