Modelo de IA de alta precisión puede mejorar rendimiento del análisis de rayos X de tórax de radiólogos

Lunit (Seúl, Corea) ha compartido los resultados de un estudio que investiga el impacto de la precisión de las soluciones médicas de inteligencia artificial en las decisiones diagnósticas de los radiólogos. La investigación involucró a un grupo de 30 médicos, compuesto por 20 radiólogos certificados con 5 a 18 años de experiencia y 10 residentes de radiología con 2 a 3 años de capacitación. El grupo evaluó un total de 120 radiografías de tórax recolectadas retrospectivamente, la mitad de pacientes con cáncer de pulmón y el resto sin anomalías. En la sesión inicial, los lectores se dividieron en dos grupos y cada grupo analizó 120 radiografías de tórax sin la ayuda de IA. En la siguiente sesión, volvieron a examinar las imágenes utilizando un modelo de IA de alta o baja precisión.

Para el estudio, los investigadores utilizaron Lunit INSIGHT CXR, una solución de inteligencia artificial disponible comercialmente para el análisis de rayos X de tórax. El modelo de baja precisión, por el contrario, se entrenó utilizando solo el 10 % de los datos utilizados para Lunit INSIGHT CXR. El AUROC (área bajo la curva característica operativa del receptor), una métrica estándar para la precisión del diagnóstico, para Lunit INSIGHT CXR fue de 0,88, mientras que el modelo de IA de baja precisión alcanzó solo 0,77. Los hallazgos del estudio mostraron que el uso del modelo de IA de alta precisión, Lunit INSIGHT CXR, condujo a una mejora significativa en el desempeño de los radiólogos. El AUROC mejoró notablemente de 0,77 a 0,82 cuando se utilizó el modelo de IA de alta precisión.

Por otro lado, el grupo que utilizó el modelo de IA de baja precisión no experimentó ninguna mejora en el desempeño, y el AUROC se mantuvo en 0,75. Curiosamente, el grupo que utilizó el modelo de IA de alta precisión mostró una mayor inclinación a aceptar sugerencias de IA. Estuvieron de acuerdo con el 67 % de las recomendaciones de IA que estaban en conflicto con sus interpretaciones iniciales, en comparación con una tasa de aceptación del 59 % del grupo que utilizó el modelo de IA de baja precisión. Además, el estudio concluyó que los factores individuales, como la experiencia de los radiólogos, su experiencia previa con la IA o las actitudes hacia la IA, tuvieron un efecto mínimo en su desempeño diagnóstico en la segunda sesión. En cambio, la precisión del modelo de IA y la precisión del diagnóstico inicial de los radiólogos se identificaron como las principales influencias en los resultados del diagnóstico final. Estos resultados subrayan la importancia del desempeño del modelo de IA cuando los radiólogos lo utilizan como lector secundario. También muestran que dicho soporte de IA puede aumentar la receptividad de los radiólogos a las sugerencias de IA, lo que lleva a diagnósticos más precisos a largo plazo.

"El estudio respalda que, independientemente de las características individuales de los radiólogos, la utilización de IA de alto rendimiento mejora significativamente la precisión disgnóstica y fomenta una mayor aceptación de la IA en las prácticas médicas", dijo Brandon Suh, director ejecutivo de Lunit. "En Lunit, estamos comprometidos con el desarrollo de soluciones impulsadas por IA que no solo mejoren los resultados de los pacientes, sino que también aumenten la experiencia de los profesionales de la salud. Esta publicación es un testimonio de nuestra dedicación para avanzar en el campo del diagnóstico del cáncer a través de tecnología de punta".

Enlaces relacionados:
Lunit