Rendimiento diagnóstico de la inteligencia artificial para detectar la diseminación peritoneal y del intestino delgado en el cáncer epitelial de ovario mediante tomografía computarizada con contraste preoperatoria

Por qué importa detectar la diseminación oculta

Para las mujeres con cáncer de ovario, lo que los médicos vean dentro del abdomen antes de la cirugía puede marcar la diferencia entre una operación curativa y un procedimiento mayor que aún deja tumor residual. Los depósitos cancerosos diminutos que recubren el peritoneo y la superficie del intestino delgado son especialmente problemáticos. Son difíciles de ver en exploraciones rutinarias y, sin embargo, pueden impedir que los cirujanos extirpen toda la enfermedad de forma segura. Este estudio explora si la inteligencia artificial (IA) puede interpretar las TC con contraste estándar con más eficacia que el ojo humano para encontrar esta diseminación oculta y orientar planes de tratamiento más seguros e inteligentes.

Cómo se disemina silenciosamente el cáncer de ovario

El cáncer epitelial de ovario a menudo pasa desapercibido hasta que ha sembrado el abdomen con pequeños focos tumorales. Estos depósitos pueden cubrir el revestimiento interno del abdomen y las superficies de los órganos, incluidas las delicadas asas del intestino delgado. Cuando la carga tumoral es muy alta o afecta zonas críticas, los cirujanos pueden no ser capaces de extirpar toda la enfermedad visible, incluso con operaciones extensas. Sin embargo, la supervivencia es mejor cuando no queda tumor residual. Hoy, los médicos confían en las TC para estimar la extensión de la enfermedad, pero detectar focos diminutos—especialmente en el intestino delgado, que se pliega y está en movimiento—es difícil. En algunos casos, los cirujanos deben realizar una operación exploratoria solo para decidir si es posible la resección completa del tumor.

Enseñar a las máquinas a leer las exploraciones

El equipo de investigación reunió tomografías con contraste de 227 mujeres tratadas por cáncer de ovario, de trompa de Falopio o peritoneal primario en dos hospitales, obteniendo 254 series de exploración. Para cada paciente, sabían por la cirugía si el cáncer se había diseminado en el peritoneo y en el intestino delgado. Usando estos resultados reales como la “clave de respuestas”, los autores entrenaron dos sistemas de aprendizaje profundo. Uno, el P-Model, aprendió a juzgar si las superficies peritoneales en general presentaban depósitos tumorales. El otro, el SB-Model, se centró específicamente en la diseminación que afecta al intestino delgado. Ambos sistemas se basaron en un diseño de red neuronal compacto, bien adaptado a imágenes médicas, y se entrenaron y probaron repetidamente con diferentes agrupaciones de pacientes para comprobar la estabilidad de su rendimiento.

Qué tan bien rindió en realidad la IA

Al probarse con exploraciones no vistas, la IA mostró una precisión prometedora. Para la diseminación peritoneal global, el P-Model identificó correctamente los casos en aproximadamente tres cuartas partes, con una sensibilidad en torno a dos tercios y una especificidad superior a cuatro quintos. En términos prácticos, pasó por alto algunos casos positivos pero produjo relativamente pocas alertas falsas. El sistema de intestino delgado rindió aún mejor: el SB-Model clasificó correctamente a más de cuatro de cada cinco pacientes, detectando alrededor del 86 por ciento de los que presentaban afectación del intestino delgado, a la vez que tranquilizaba correctamente a aproximadamente el 77 por ciento de los que no la tenían. Este nivel de sensibilidad supera claramente el rendimiento modesto informado para la lectura estándar de TC en estudios anteriores, donde los pequeños depósitos intestinales con frecuencia pasaban desapercibidos.

Cuando la máquina tuvo dificultades

Los investigadores también examinaron situaciones en las que la IA rindió pobremente, definida como acertar en no más de una cuarta parte de sus decisiones para un paciente dado. Curiosamente, los radiólogos humanos también tuvieron dificultades en muchos de esos mismos casos, lo que sugiere que algunos patrones en las exploraciones son intrínsecamente difíciles de interpretar. El equipo encontró que la IA tendía a sobreestimar la diseminación cuando grandes cantidades de líquido llenaban el abdomen y los marcadores tumorales en sangre eran muy elevados, y que a veces subestimaba la enfermedad cuando la carga tumoral y el volumen de líquido eran bajos. Este patrón sugiere que el sistema pudo haber aprendido a apoyarse en señales visuales como la presencia de líquido alrededor de los intestinos, que no siempre se corresponden de forma clara con la cantidad de tumor realmente presente.

Qué podría significar esto para la atención del paciente

A pesar de sus limitaciones, el estudio demuestra que un asistente de IA que interpreta TC ordinarias puede mejorar de forma significativa la detección de diseminación tumoral sutil, particularmente en el intestino delgado, donde los radiólogos actualmente tienen menos confianza. Si se somete a más pruebas y se perfecciona, esta herramienta podría ayudar a los médicos a decidir con mayor precisión quién es probable que se beneficie de una cirugía agresiva inicial y quién podría estar mejor tratado con quimioterapia antes de la operación. Los autores enfatizan que la IA no reemplazará el juicio experto ni la cirugía exploratoria en todos los casos, pero podría convertirse en un par de ojos adicional muy potente, convirtiendo las imágenes existentes en un mapa más fiable para la cirugía oncológica compleja.

Cita: Kim, R., Seki, T., Noda, K. et al. Diagnostic performance of artificial intelligence for detecting peritoneal and small bowel dissemination in epithelial ovarian cancer using preoperative contrast-enhanced CT imaging. Sci Rep 16, 8739 (2026). https://doi.org/10.1038/s41598-026-41728-4

Palabras clave: cáncer de ovario, inteligencia artificial, imágenes por TC, metástasis peritoneal, diseminación en el intestino delgado