Los nódulos pulmonares se detectan en aproximadamente un 30% de las tomografías computadas de tórax y, la gran mayoría son benignos. El manejo de los nódulos pulmonares indeterminados (NPI) continúa siendo un desafío que resulta en procedimientos invasivos innecesarios incluyendo imágenes, biopsias y cirugías, y retrasos de hasta dos años en el diagnóstico y tratamiento.
La opción preferida de manejo de los NPI pequeños es, en la actualidad, la evaluación periódica del tamaño. Sin embargo, esperar puede ser difícil para el paciente y se retrasan el diagnóstico y potencial tratamiento. Por otra parte, los modelos de riesgo de regresión logística Mayo y Brock, aunque recomendados por algunos autores, están limitados por la calidad de la interpretación de algunas variables (p.ej.: tamaño de nódulo y morfología) y estimaciones de factores como antecedentes de tabaquismo. En cambio, modelos de estratificación de riesgo asistidos por computadora utilizando clasificaciones automatizadas de nódulos benignos y malignos podrían ser factibles. Dichas técnicas trabajan directamente con la imagen y datos clínicos del paciente, sin necesidad de describir primero la morfología o medir el tamaño de la lesión. Sobre esta base los autores desarrollaron un algoritmo, un marcador biodigital, para reclasificar los NPI en bajo y alto riesgo. El estudio consistió en aplicar el modelo de predicción del cáncer de pulmón Lung Cancer Prediction Convolutional Neural Network (LCP-CNN) a imágenes de tomografía computada de NPI del National Lung Screening Trial (NLTST). El algoritmo fue validado internamente y examinado externamente en cohortes de dos instituciones académicas (Vanderbilt University Medical Center y Oxford University Hospitals).
En comparación con el modelo tradicional de predicción de riesgo de cáncer de pulmón, el modelo LCP-CNN se asoció con una mayor precisión en la predicción de probabilidad de enfermedad en cada umbral de manejo y en las cohortes de validación externa. Los autores comunican que este estudio es el primero en validar el LCP-CNN en múltiples cohortes independientes; además, logró reclasificar correctamente los NPI en categorías de riesgo bajo o alto en más de un tercio de las lesiones nodulares pulmonares cancerosas o benignas, en comparación con los modelos de riesgo convencionales. Otra de las ventajas del modelo LCP-CNN es que aplica a poblaciones reales, de distintas características demográficas, fumadores y no fumadores. La prueba tuvo un valor predictivo negativo excelente; puntajes < 5% indican vigilancia según las directrices de la Sociedad Fleischner y valores > 65% indican la necesidad de realizar una biopsia.
Conclusiones
Concluyen los autores que el modelo LCP-CNN es una herramienta que puede cambiar el manejo de los NPI con un beneficio importante como es la disminución del número de procedimientos invasivos innecesarios y evitar retrasos en el diagnóstico
Acceso libre al artículo original
Pierre P. Massion, Sanja Antic, Sarim Ather, et al. Assessing the Accuracy of a Deep Learning Method to Risk Stratify Indeterminate Pulmonary Nodules. Am J Respir Crit Care Med , 2020; 202( 2): 241–249,