Diagnóstico por ecografía habilitado por inteligencia artificial y estratificación de neoplasias foliculares tiroideas: un estudio multicéntrico

Por qué esto importa para las personas con nódulos tiroideos

Muchas personas descubren nódulos tiroideos durante revisiones rutinarias y luego pasan semanas inquietas esperando saber si el crecimiento es inofensivo o canceroso. Este estudio investiga si la inteligencia artificial (IA) puede interpretar imágenes ecográficas de un grupo específico de crecimientos tiroideos —llamados neoplasias foliculares— con más precisión que los expertos humanos, ayudando a los pacientes a evitar cirugías innecesarias y, al mismo tiempo, asegurando que no se pasen por alto tumores peligrosos.

Cuando lo benigno y lo maligno se parecen

Los tumores foliculares de la tiroides tienen dos formas principales: adenomas, que son benignos, y carcinomas, que pueden invadir vasos sanguíneos y diseminarse. Tanto al microscopio como en las ecografías, estos tumores con frecuencia parecen sorprendentemente similares. Incluso radiólogos y patólogos experimentados pueden tener dificultades para diferenciarlos antes de la cirugía, lo que hace que muchos pacientes se sometan a la extirpación de la mitad o la totalidad de la tiroides solo para obtener un diagnóstico definitivo. Lo que está en juego es alto: algunos carcinomas son solo mínimamente invasivos y tienen un buen pronóstico, mientras que otros son más agresivos, de modo que conocer el tipo exacto puede condicionar la extensión de la cirugía y el seguimiento que realmente necesita el paciente.

Enseñar a una computadora a leer ecografías tiroideas

Los investigadores reunieron una de las colecciones más grandes hasta la fecha de imágenes ecográficas de neoplasias foliculares tiroideas, recopilando datos de 2.567 pacientes de 31 hospitales en toda China. Para cada nódulo, los radiólogos delinearon la región relevante en las imágenes ecográficas en escala de grises estándar. A continuación, se entrenó un sistema moderno de aprendizaje profundo, basado en una arquitectura visual conocida como ConvNeXt, en varias etapas. Primero aprendió a distinguir adenomas benignos de carcinomas. Después, entre los carcinomas, aprendió a clasificarlos en subtipos menos y más invasivos, que corresponden aproximadamente a enfermedad de bajo, intermedio y alto riesgo. El equipo probó diferentes tipos de información ecográfica y halló que las imágenes simples en modo B —exploraciones estándar en escala de grises— eran más fiables para la IA que las imágenes en color del flujo sanguíneo, cuya calidad variaba demasiado.

Qué tan bien funcionó la IA en el mundo real

Para comprobar si el sistema se sostenía fuera de los laboratorios donde se desarrolló, los autores lo probaron en tres grupos independientes de pacientes de otros hospitales, cada uno con mezclas distintas de tumores benignos y malignos. En estos centros, la IA mostró un rendimiento consistentemente fuerte al separar adenomas de carcinomas, con medidas de precisión (valores AUC) alrededor de 0,82 a 0,85. También rindió bien en su tarea más exigente: clasificar tumores en tres grupos —benigno, cáncer mínimamente invasivo y cáncer invasivo más agresivo— manteniendo un alto desempeño en todos los hospitales. Es importante señalar que el modelo funcionó de forma similar en hombres y mujeres, para distintos enfoques quirúrgicos y en la mayoría de las regiones geográficas, lo que sugiere que podría ser útil en una amplia variedad de entornos clínicos.

Trabajar junto a los radiólogos, no en su lugar

El estudio también planteó una pregunta práctica: ¿esta IA realmente ayuda a los médicos a tomar mejores decisiones? Cuando los radiólogos se basaron únicamente en los sistemas de puntuación establecidos para la ecografía tiroidea, su capacidad para identificar carcinomas fue notablemente inferior a la de la IA. Al mostrarles la salida de la IA y sus “mapas de atención” resaltados sobre las mismas imágenes, su precisión aumentó y, en algunos casos, casi igualó la del ordenador. Los médicos en formación fueron los que más se beneficiaron, aunque incluso los especialistas experimentados ganaron ventaja. Al mismo tiempo, el análisis de los casos en los que la IA falló reveló una debilidad clave: en esas imágenes, el sistema tendía a centrarse en áreas fuera del verdadero tumor en lugar de en las características internas sospechosas, lo que indica dónde se necesitan mejoras adicionales.

Qué podría significar esto para los pacientes

En términos sencillos, este trabajo sugiere que una IA bien entrenada puede servir como un segundo par de ojos altamente consistentes cuando los médicos leen ecografías tiroideas. Para los pacientes con nódulos tiroideos foliculares, una herramienta así podría aumentar las probabilidades de que un carcinoma peligroso se reconozca antes de la cirugía, a la vez que reduce la posibilidad de que un adenoma inofensivo provoque un tratamiento excesivamente agresivo. El modelo no está listo para sustituir el juicio experto y todavía necesita pruebas en otros países y en grupos de pacientes más diversos. Pero como parte de una estación de trabajo o un ecógrafo, pronto podría ayudar a ajustar la cirugía y el seguimiento al verdadero nivel de riesgo de cada persona, convirtiendo un área de diagnóstico tiroideo hasta ahora difusa en un camino más claro hacia adelante.

Cita: Li, J., Zhang, H., Zheng, H. et al. Artificial intelligence-enabled ultrasound diagnosis and stratification of follicular thyroid neoplasms: a multi-center study. npj Digit. Med. 9, 313 (2026). https://doi.org/10.1038/s41746-026-02489-6

Palabras clave: ecografía tiroidea, neoplasia folicular, inteligencia artificial, estratificación del riesgo de cáncer, imagen médica