Las lesiones ováricas son frecuentes y a menudo se detectan de forma incidental. La ecografía transvaginal es la principal técnica utilizada para diferenciar entre lesiones ováricas benignas y malignas debido a su amplia disponibilidad y a su elevada precisión diagnóstica cuando la realiza un examinador experimentado. La biopsia está contraindicada, ya que puede provocar la diseminación de un tumor maligno, empeorando el pronóstico.

Sin embargo, la precisión diagnóstica y la concordancia interobservador tienden a ser considerablemente inferiores entre los examinadores menos experimentados, lo que puede dar lugar a diagnósticos de cáncer retrasados e incorrectos, así como a tratamientos innecesarios. Además, existe un déficit sustancial de expertos en este ámbito.

En este sentido, la ayuda al diagnóstico basada en la inteligencia artificial (IA) es una posible solución, y ya se ha demostrado que las redes neuronales con arquitecturas de redes neuronales convolucionales (CNN) ofrecen resultados prometedores en la clasificación de lesiones ováricas. El problema es que los entornos clínicos son muy variables y factores como las poblaciones de pacientes, los dispositivos de obtención de imágenes y los protocolos de adquisición pueden diferir sustancialmente entre centros. Además, la recopilación de conjuntos de datos lo suficientemente amplios y diversos como para captar toda la variabilidad de los datos clínicos y ser universalmente representativos está limitada por restricciones tanto legales como económicas.

Por ello, un estudio multicéntrico a gran escala que valide la generalizabilidad podría aportar pruebas esenciales que aumenten la confianza en los sistemas de apoyo al diagnóstico basados en IA para uso clínico. Con este objetivo, un grupo de investigadores, entre los que se incluye la Dra. Mª Angela Pascual, consultora y directora de I+D del Servicio de Diagnóstico Ginecológico por la Imagen de Dexeus Mujer, ha realizado un amplio estudio retrospectivo multicéntrico internacional, con el fin de desarrollar y validar modelos de redes neuronales basados en transformers utilizando un amplio conjunto de datos. En total se han analizado 17.119 imágenes ecográficas obtenidas a partir de 3.652 pacientes de 20 centros de ocho países, adquiridas con 21 sistemas ecográficos diferentes de nueve fabricantes.

De acuerdo con los resultados, los modelos demostraron un rendimiento sólido en todos los centros, sistemas de ecografía, diagnósticos histológicos y grupos de edad de los pacientes, superando significativamente a los examinadores expertos y no expertos en todas las métricas evaluadas. Además, el apoyo diagnóstico basado en inteligencia artificial (IA) redujo las derivaciones a expertos en un 63%, superando significativamente el rendimiento diagnóstico de la práctica actual.

Según los autores, estos resultados demuestran que los modelos basados en transformers presentan una fuerte generalización y una precisión diagnóstica superior a la de los expertos humanos, lo que potencialmente podría contribuir a contrarrestar la escasez de ecografistas expertos y mejorar la precisión diagnóstica, especialmente en casos difíciles de clasificar por los examinadores.