Modelos de inteligencia artificial versus valoración por radiólogo en la predicción de respuesta patológica completa al tratamiento neoadyuvante en cáncer de recto: revisión sistemática

Abstract

Introducción: La evaluación de la respuesta al tratamiento neoadyuvante en cáncer de recto es un elemento clave para la toma de decisiones terapéuticas, particularmente para identificar pacientes con respuesta patológica completa (pCR) candidatos a estrategias de preservación de órgano. La resonancia magnética (RM) es la modalidad estándar para dicha evaluación; sin embargo, su interpretación visual por radiólogos presenta limitaciones en precisión y variabilidad interobservador. En este contexto, la inteligencia artificial (IA) aplicada a imagen médica ha emergido como una herramienta prometedora para mejorar la predicción de respuesta. Objetivos: Evaluar y comparar el desempeño diagnóstico de los modelos de IA versus la interpretación radiológica convencional en la predicción de respuesta patológica completa mediante RM en pacientes con adenocarcinoma de recto que reciben tratamiento neoadyuvante con quimioterapia y radioterapia. Métodos: Se realizó una revisión sistemática de estudios diagnósticos y predictivos que compararon el desempeño de modelos de IA (machine learning, deep learning y radiomics) aplicados a imágenes de RM versus la lectura de radiólogos para la predicción de pCR. La búsqueda se efectuó en PubMed, Embase, Scopus, LILACS, CENTRAL y ScienceDirect, siguiendo la metodología PRISMA 2020. Se incluyeron estudios que reportaran métricas de desempeño diagnóstico y comparaciones directas con la interpretación radiológica convencional. Resultados: De 285 registros identificados, se incluyeron 8 estudios en el análisis final. En cinco estudios, los modelos de IA mostraron un desempeño superior al de los radiólogos para la predicción de pCR, mientras que en tres estudios el rendimiento fue comparable entre ambos enfoques. En dos estudios, la integración de modelos de radiomics con la evaluación radiológica alcanzó un desempeño diagnóstico superior al de cada modalidad por separado. Los valores de área bajo la curva (AUC) para los algoritmos de IA en la predicción de pCR oscilaron entre 0.69 y 0.969. Las métricas de desempeño diagnóstico mostraron una sensibilidad entre 71.4% y 100%, especificidad entre 66.7% y 95.1%, y una exactitud global entre 71.4% y 94.6%, dependiendo del modelo y del estudio evaluado. Conclusión: La evidencia disponible sugiere que los modelos de inteligencia artificial aplicados a resonancia magnética presentan un desempeño diagnóstico comparable o superior al de la interpretación radiológica convencional para la predicción de respuesta patológica completa en cáncer de recto, con un beneficio adicional cuando se integran como herramientas de apoyo al radiólogo. No obstante, se requieren estudios prospectivos y multicéntricos antes de su adopción clínica rutinaria.