Les lesions ovàriques són freqüents i sovint es detecten de manera incidental. L’ecografia transvaginal és la principal tècnica utilitzada per diferenciar entre lesions ovàriques benignes i malignes a causa de la seva àmplia disponibilitat i de la seva elevada precisió diagnòstica quan la realitza un examinador experimentat. La biòpsia, en canvi, està contraindicada, ja que pot provocar la disseminació d’un tumor maligne i empitjorar el pronòstic.

No obstant això, la precisió diagnòstica i la concordança interobservador tendeixen a ser considerablement inferiors entre els examinadors menys experimentats, la qual cosa pot donar lloc a diagnòstics de càncer tardans i incorrectes, així com a tractaments innecessaris. A més, existeix un dèficit substancial d’experts en aquest àmbit.

En aquest sentit, l’ajuda al diagnòstic basada en la intel·ligència artificial (IA) és una possible solució, i ja s’ha demostrat que les eines que utilitzen arquitectures de xarxes neuronals convolucionals (CNN en anglès) ofereixen resultats prometedors en la classificació de lesions ovàriques. El problema està en el fet que els entorns clínics són molt variables i factors com les poblacions de pacients, els dispositius d’obtenció d’imatges i els protocols d’adquisició poden diferir substancialment entre centres. A més, la recopilació de conjunts de dades prou amplis i diversos per copsar tota la variabilitat de les dades clíniques i ser universalment representatius es veu limitada per restriccions tant legals com econòmiques.

Per aquest motiu, un estudi multicèntric a gran escala que validi la generalitzabilitat podria aportar proves essencials que augmentin la confiança en els sistemes de suport al diagnòstic basats en IA per a ús clínic. Amb aquest objectiu, un grup d’investigadors, entre els quals s’inclou la Dra. M. Angela Pascual, consultora i directora d’R+D del Servei de Diagnòstic Ginecològic per la Imatge de Dexeus Dona, ha dut a terme un ampli estudi retrospectiu multicèntric internacional, amb l’objectiu de desenvolupar i validar models de xarxes neuronals basats en transformers utilitzant un ampli conjunt de dades. En total es van analitzar 17.119 imatges ecogràfiques obtingudes a partir de 3.652 pacients de 20 centres en 8 països, adquirides amb 21 sistemes ecogràfics diferents de 9 fabricants.

D’acord amb els resultats, els models van demostrar un rendiment sòlid en tots els centres, sistemes d’ecografia, diagnòstics histològics i grups d’edat dels pacients, superant significativament als examinadors experts i no experts en totes les mètriques avaluades. A més, el suport diagnòstic basat en intel·ligència artificial (IA) va reduir les derivacions a experts en un 63 %, un resultat que supera significativament el rendiment diagnòstic de la pràctica actual.

Segons els autors, aquests resultats demostren que els models basats en transformers presenten una forta generalització i una precisió diagnòstica superior a la dels experts humans, la qual cosa potencialment podria contribuir a contrarestar l’escassetat d’ecografistes experts i millorar la precisió diagnòstica, especialment en casos difícils de classificar per part dels examinadors.