En este estudio se exploró el uso de un modelo multimodal de gran escala (LMM) diseñado para identificar carcinomas de mama y esófago en TC de tórax con contraste. Para ello analizaron retrospectivamente datos de 572 pacientes, divididos en grupos de entrenamiento, validación y prueba. El modelo demostró una sensibilidad del 92,9 % para cáncer de mama y del 95,1 % para cáncer de esófago, y áreas bajo la curva (AUC) de 0,890 y 0,880, respectivamente. Estos resultados superaron el rendimiento de lectores con menor experiencia (especialmente al compararlo con un residente de radiología sin experiencia previa). Los resultados sugieren que este tipo de modelos, entrenados localmente, pueden detectar múltiples tipos de tumores en CT con precisión, aunque aún requieren estudios con más pacientes y validaciones externas.

PUNTOS DÉBILES:

El estudio presenta algunas limitaciones, que los propios autores señalan y que deben considerarse.

• La primera es el tamaño de la muestra de entrenamiento. Aunque se usaron más de 5.000 imágenes, para un modelo multimodal de gran escala esta cantidad sigue siendo relativamente pequeña. Esto puede haber limitado el rendimiento y la estabilidad del modelo durante el proceso de ajuste fino.
• Otra debilidad es la falta de validación externa. El modelo fue evaluado únicamente con datos del mismo centro, lo que limita la generalización de los resultados para confirmar su utilidad en otros contextos clínicos.
• EL estudio compara los resultados con residentes de radiología. Sería importante comparar los resultados con radiólogos titulados, con diferentes grados de experiencia en TC de tórax, para comprobar la rentabilidad del modelo a nivel práctico.
• También se observó una gran variabilidad en la sensibilidad entre los diferentes intentos de entrenamiento, sobre todo en la detección del cáncer de mama. Esta inestabilidad sugiere que el proceso de ajuste del modelo aún requiere mejoras metodológicas para garantizar resultados más consistentes.
• Otro aspecto limitante es que el modelo solo proporciona una respuesta binaria sobre la presencia de cáncer de mama o esófago, sin indicar la localización exacta del tumor ni su estadio. Para un uso clínico más completo, sería necesario que el sistema ofreciera información más detallada.

PUNTOS FUERTES:

• Una de las principales ventajas de este estudio es su aplicabilidad práctica en la detección de hallazgos incidentales en tomografías de tórax. Estas exploraciones suelen realizarse con otros fines, como la evaluación de patología pulmonar, pero el modelo propuesto permitiría identificar de manera adicional carcinomas de mama o esófago que podrían pasar desapercibidos al no ser objeto del foco diagnóstico del caso.
• A diferencia de la mayoría de otros modelos previos, que se limitan a un único tipo de tumor, este LMM logró identificar tanto carcinomas de mama como de esófago en la misma serie de TC. Este enfoque abre la posibilidad de desarrollar sistemas más versátiles y clínicamente útiles.
• En cuanto a su desempeño, el modelo alcanzó una sensibilidad superior al 90 % y áreas bajo la curva cercanas a 0,9 para ambos carcinomas. Además, superaron el rendimiento de lectores con menor experiencia, lo que refuerza su potencial como herramienta de apoyo en la práctica clínica.
• Un punto fuerte adicional es que el modelo pudo ser entrenado en un ordenador de escritorio con una sola GPU, demostrando que no se requieren infraestructuras computacionales de gran escala para obtener resultados sólidos. Esto facilita su posible implementación en entornos clínicos con recursos limitados.

Dr. Francisco Sendra Portero

Editor de la sección de FORMACIÓN