IA Asistencial en la Detección del Cáncer de Pulmón: Un Estudio Retrospectivo Multinacional en los Estados Unidos y Japón

Los artículos "Just Accepted" han pasado por una revisión por pares completa y han sido aceptados para publicación en Radiology: Artificial Intelligence. Este artículo será sometido a edición de textos, diseño y revisión de pruebas antes de ser publicado en su versión final. Tenga en cuenta que durante la producción del artículo final editado, se pueden descubrir errores que podrían afectar el contenido. Objetivo Evaluar el impacto de un asistente de inteligencia artificial (IA) para la detección del cáncer de pulmón (LCS) en flujos de trabajo clínicos multinacionales. Materiales y Métodos Se evaluó un asistente de IA para LCS en dos estudios retrospectivos multireador multicase, donde 627 (141 positivos para cáncer) casos de TC de tórax de baja dosis fueron leídos dos veces (con y sin asistencia de IA) por radiólogos torácicos experimentados (6 basados en EE. UU. o 6 basados en Japón), resultando en un total de 7,524 interpretaciones. Los casos positivos se definieron como aquellos dentro de los dos años anteriores a un diagnóstico de cáncer de pulmón confirmado por patología. Los casos negativos se definieron como aquellos sin ningún diagnóstico de cáncer subsecuente durante al menos dos años y se enriquecieron para un espectro de nódulos diversos. Los estudios midieron el nivel de sospecha de los lectores (LoS, en una escala de 0 a 100), categorías de puntuación específicas del sistema de detección por país y recomendaciones de manejo. Las métricas de evaluación incluyeron el área bajo la curva operativa del receptor (AUC) para LoS y la sensibilidad y especificidad de las recomendaciones de rescate. Resultados Con la asistencia de IA, el AUC de los radiólogos aumentó en 0.023 (de 0.70 a 0.72, P = .02) para el estudio de EE. UU. y en 0.023 (de 0.93 a 0.96, P = .18) para el estudio de Japón. La especificidad del sistema de puntuación para hallazgos accionables aumentó un 5.5% (del 57% al 63%, P .99) en los estudios. El rendimiento del sistema de AUC de IA independiente correspondiente fue de 0.75 95% CI 0.70–0.81 y 0.88 95% CI 0.78–0.97 para los conjuntos de datos basados en EE. UU. y Japón, respectivamente. Conclusión La interfaz de IA concurrente mejoró la especificidad de LCS en ambos estudios de lectores basados en EE. UU. y Japón, mereciendo un estudio adicional en otros entornos internacionales de detección. ©RSNA, 2024