PDF | DOI: 10.46613/congastro2024-093
Esta obra está bajo licencia CC BY 4.0
Javier Uribe Monasterio1, Javier Tramon Hidalgo1, Matías Arteaga Puig2,
Oscar Corsi Sotelo1, Magdalena Fernández Katz1, Alonso Valdés Quezada1, Gonzalo Latorre Selvat1, Constanza Jara
Jara1, Javiera Torres Montes1, Arnoldo Riquelme Pérez1, Pablo Achurra Tirado1, Roberto Candia
Balboa1
1PUC, 2Hospital Clínico
Herminda Martin.
Introducción: Chile presenta la mayor incidencia de cáncer gástrico
en América. La endoscopia digestiva es la única herramienta con beneficio
preventivo comprobado, pero la detección de lesiones de alto riesgo es compleja
y generalmente requiere biopsias, como las realizadas bajo el protocolo Sidney y
la etapificación OLGA. Objetivos: Desarrollar modelos predictivos con
inteligencia artificial (IA) para detectar patrones glandulares alterados y
atrofia moderada-severa mediante endoscopia de alta definición y NBI (HD-NBI),
sin la necesidad de biopsias. Métodos: Utilizando imágenes HD-NBI de cuerpo
gástrico, ángulo y antro obtenidas con equipos Olympus series 170 y 190, se
entrenaron redes neuronales con aprendizaje profundo (Deep Learning). Se
generaron cuatro modelos predictivos: dos para el cuerpo gástrico y dos para el
ángulo-antro. Se usaron 344 imágenes de cuerpo gástrico, 177 de curvatura mayor,
177 de curvatura menor, 224 de ángulo y 344 de antro para entrenar los modelos.
Los modelos fueron evaluados en una cohorte de validación. Los cuatro modelos
predictivos desarrollados fueron:
-
Modelo 1: Diagnóstico de atrofia
moderada-severa en cuerpo gástrico. -
Modelo 2: Diagnóstico de atrofia
moderada-severa en ángulo-antro. -
Modelo 3: Detección de patrones glandulares en cuerpo
gástrico (clasificación de Yagi). -
Modelo 4: Detección del patrón glandular
tipo WOS en ángulo-antro.
La detección de los patrones glandulares fue
realizada por dos endoscopistas (senior y junior) y las discrepancias resueltas
por consenso. La clasificación OLGA en biopsias fue realizada por dos patólogos
expertos y las discrepancias fueron resueltas por consenso. Resultados: Para el
modelo 1 (atrofia en cuerpo gástrico), el rendimiento diagnóstico fue elevado,
con un AUROC de 92%, sensibilidad del 100% y especificidad del 83%.
-
Para el modelo 2 (atrofia en ángulo-antro),
el rendimiento fue menor, con un AUROC de 60%, sensibilidad del 40% y
especificidad del 80%. -
Para el modelo 3 (patrón glandular en cuerpo gástrico), se
obtuvo un AUROC de 83.3%, sensibilidad del 85.7% y especificidad del 81%
para la detección de vénulas colectoras. Para el patrón puntiforme, el
AUROC fue de 79.2%, sensibilidad del 75% y especificidad del 83.3%. En
cuanto al patrón anormal (antralizado o velloso), el AUROC fue de 83.3%,
con una sensibilidad y especificidad del 83.3%. -
Para el modelo 4 (patrón WOS en
ángulo-antro), el rendimiento fue moderado, con un AUROC de 60%,
sensibilidad y especificidad del 60%. -
Conclusiones: Nuestros modelos predictivos
de IA para detectar atrofia y patrones glandulares en imágenes HD-NBI de
mucosa gástrica muestran un alto potencial diagnóstico, lo que podría
reducir la necesidad de biopsias preventivas. Aunque el rendimiento
diagnóstico para la detección de patrones glandulares anormales y la
atrofia en el cuerpo gástrico fue elevado, los resultados para ángulo y
antro fueron moderados. Se requiere validación externa prospectiva para
confirmar su efectividad.
