Modelos de inteligência artificial são mais acurados que radiologistas no estadiamento linfonodal pré-operatório do câncer colorretal?
Resposta curta: Em revisão sistemática com meta-análise, modelos de inteligência artificial mostraram AUROC por paciente de 0,808 para radiômica e 0,917 para aprendizado profundo no câncer retal, superando radiologistas (0,688). No câncer colorretal, radiômica teve AUROC de 0,727 versus 0,676 dos radiologistas. Os estudos de radiômica são heterogêneos e os de aprendizado profundo escassos.
Resposta
A revisão sistemática com meta-análise reuniu estudos publicados entre janeiro de 2010 e outubro de 2020 que avaliaram a acurácia de modelos de inteligência artificial para detectar metástase linfonodal no estadiamento pré-operatório do câncer colorretal por tomografia computadorizada ou ressonância magnética. Foram incluídos estudos com modelos de radiômica e com aprendizado profundo.
No câncer retal, a AUROC por paciente foi de 0,808 (intervalo de confiança de 0,739 a 0,876) para modelos de radiômica e de 0,917 (0,882 a 0,952) para aprendizado profundo. Ambos superaram o desempenho dos radiologistas, que apresentaram AUROC de 0,688 (0,603 a 0,772).
No câncer colorretal, modelos de radiômica alcançaram AUROC por paciente de 0,727 (0,633 a 0,821), enquanto os radiologistas tiveram AUROC de 0,676 (0,627 a 0,725). Esses achados sugerem que a inteligência artificial pode auxiliar na predição de metástase linfonodal, mas a heterogeneidade entre os estudos de radiômica foi significativa (73,0%) e os estudos de aprendizado profundo são escassos.
A qualidade dos estudos foi avaliada com questionário modificado dos critérios QUADAS-2, identificando alto risco de viés em dois estudos. A conclusão dos autores é que os modelos de inteligência artificial têm potencial para prever metástase linfonodal com maior acurácia no câncer retal e colorretal, porém a heterogeneidade e a escassez de estudos de aprendizado profundo limitam generalizações.
Para o médico, os resultados indicam que a inteligência artificial pode ser uma ferramenta complementar na avaliação pré-operatória, mas ainda não substitui o julgamento clínico e radiológico. A aplicação na prática requer validação externa e padronização dos modelos antes da incorporação rotineira.
O que o estudo mostrou
Revisão sistemática com meta-análise de estudos sobre acurácia de modelos de inteligência artificial no estadiamento linfonodal pré-operatório do câncer colorretal por tomografia computadorizada ou ressonância magnética. No câncer retal, AUROC por paciente foi 0,808 para radiômica e 0,917 para aprendizado profundo, superando radiologistas (0,688). No câncer colorretal, radiômica teve AUROC 0,727 versus 0,676 dos radiologistas. Heterogeneidade entre estudos de radiômica foi de 73,0% e dois estudos tiveram alto risco de viés.
Limitações
O resumo não informa o número total de pacientes incluídos nem o desenho detalhado de cada estudo. A heterogeneidade entre os estudos de radiômica foi significativa (73,0%) e os estudos de aprendizado profundo são escassos. Dois estudos apresentaram alto risco de viés. Os resultados podem não ser generalizáveis para diferentes populações e protocolos de imagem.
Aplicação no consultório
Os achados sugerem que modelos de inteligência artificial podem auxiliar na predição de metástase linfonodal no câncer colorretal, mas a heterogeneidade e a escassez de estudos de aprendizado profundo limitam a aplicação imediata. Na prática clínica, a ferramenta pode ser considerada como apoio à decisão, não substituindo a avaliação do radiologista. Para a gestão do consultório, investimentos em tecnologia devem aguardar validação externa e padronização dos modelos.
Estudo citado
Artificial intelligence for pre-operative lymph node staging in colorectal cancer: a systematic review and meta-analysis. BMC cancer, 2021.
Autores: Bedrikovetski S, Dudi-Venkata NN, Kroon HM, Seow W, Vather R, Carneiro G, Moore JW, Sammour T.
DOI: 10.1186/s12885-021-08773-w · PubMed: PMID 34565338
Perguntas para aprofundar
- Qual a acurácia da inteligência artificial no estadiamento linfonodal do câncer retal em comparação com radiologistas?
- Quais são as limitações dos estudos de radiômica para predição de metástase linfonodal no câncer colorretal?
- Como aplicar os resultados de modelos de aprendizado profundo na prática clínica do câncer colorretal?
Mais sobre IA em diagnóstico por imagem e radiologia
- Como a inteligência artificial pode auxiliar no diagnóstico por imagem das doenças pancreáticas?
- Modelos de inteligência artificial têm bom desempenho diagnóstico na detecção de fraturas faciais em tomografia e radiografias?
- A detecção automatizada de lesões ósseas por TC e RM com inteligência artificial já tem validação clínica suficiente para uso na prática?
- A aprendizagem profunda em ressonância magnética melhora a acurácia diagnóstica da doença de Alzheimer e do comprometimento cognitivo leve?
- A inteligência artificial aplicada à tomografia de coerência óptica do segmento anterior é precisa para detectar fechamento angular em comparação à gonioscopia?
Todas as perguntas sobre IA em diagnóstico por imagem e radiologia · Todos os temas · Versão em markdown