IA en la detección, clasificación e informes: reduciendo la variabilidad entre operadores en la ecografía

Estudios recientes muestran que los algoritmos de IA para detección, clasificación y medición en ecografía pueden igualar o superar la precisión media de los radiólogos y reducir de forma consistente la variabilidad entre observadores.

La ecografía es, por naturaleza, la modalidad de imagen más dependiente del operador. A diferencia de la TC o la RM, donde un protocolo automatizado adquiere un volumen estandarizado sin importar quién maneje el equipo, la ecografía exige que quien sostiene el transductor elija el plano de corte, ajuste ganancia y profundidad, reconozca la anatomía en tiempo real y decida qué imagen capturar y medir. Esta dependencia de la habilidad manual y del juicio visual instantáneo es la principal fuente documentada de variabilidad entre operadores y observadores, afectando desde la estimación de la fracción de eyección hasta la clasificación de nódulos tiroideos y mamarios.

Es precisamente esta característica la que hace que la inteligencia artificial sea particularmente relevante para la ecografía, incluso más que para otras modalidades. Un algoritmo no se cansa al final de un turno, su atención no varía según la experiencia acumulada y aplica los mismos criterios de forma idéntica en el primer y en el examen número mil. En los últimos años, un número creciente de estudios publicados en revistas como Radiology, European Heart Journal – Cardiovascular Imaging, Ultrasound in Obstetrics & Gynecology y Gland Surgery ha cuantificado, con cifras concretas de precisión, área bajo la curva (AUC) y concordancia entre observadores (kappa o ICC), en qué medida la IA cumple esta promesa.

Detección y clasificación de nódulos tiroideos

Una revisión sistemática con metaanálisis publicada en Gland Surgery, que reunió 69 estudios sobre sistemas de IA para la detección de malignidad en nódulos tiroideos por ecografía, encontró una sensibilidad combinada del 89% (IC 95%: 87-91%), especificidad del 84% (IC 95%: 80-88%) y AUC de 0,93 (IC 95%: 0,91-0,95). En un análisis pareado directo con radiólogos experimentados en nueve estudios, la IA alcanzó un AUC de 0,922 frente a 0,842 de los radiólogos (diferencia estadísticamente significativa, p<0,0001), con sensibilidad similar (85,2% vs. 85,8%) pero especificidad claramente mayor (83,6% vs. 71,4%), es decir, la IA se equivoca menos al clasificar nódulos benignos como sospechosos, reduciendo biopsias innecesarias.

Un estudio publicado en Radiology sobre un modelo de IA basado en las categorías ACR TI-RADS (MTI-RADS) reportó un AUC de 0,91 (IC 95%: 0,87-0,95), sensibilidad del 83% y especificidad del 87% para el diagnóstico de malignidad. En comparación con radiólogos junior, el modelo tuvo un desempeño significativamente superior en AUC (0,78, p<0,001), sensibilidad y especificidad; frente a radiólogos experimentados, el desempeño fue equivalente en AUC y sensibilidad, pero la IA mostró aún mayor especificidad (87% vs. 80%, p=0,02). Esto ilustra un patrón recurrente en la literatura: la IA tiende a nivelar hacia arriba el desempeño de examinadores menos experimentados, funcionando como un segundo ojo que reduce la brecha entre principiantes y especialistas.

Nódulos mamarios y apoyo a la categorización BI-RADS

En la ecografía mamaria, los sistemas comerciales de apoyo a la decisión ya cuentan con datos robustos acumulados. El S-Detect (Samsung), evaluado en un metaanálisis de 11 estudios, mostró una sensibilidad de 0,82 (IC 95%: 0,74-0,88), especificidad de 0,83 (IC 95%: 0,78-0,88) y AUC de 0,90. El sistema Koios DS, por su parte, obtuvo una AUC media de 0,88 cuando se usó solo; curiosamente, cuando los radiólogos usaron Koios como apoyo (US + DS), la AUC media del lector fue de 0,87, frente a 0,83 en la ecografía convencional sin apoyo, una mejora modesta pero consistente en la precisión del examinador humano.

El avance más notable, sin embargo, suele aparecer en la concordancia entre observadores, no solo en la precisión aislada. Con Koios DS, la concordancia entre observadores (tau-b de Kendall) subió de 0,54 a 0,68, y la variabilidad intraobservador cayó del 13,6% al 10,8% de casos discordantes. En el sistema BU-CAD, la AUC del lector aumentó de 0,758 a 0,829 con el apoyo de la IA, y el tiempo de lectura se redujo cerca de un 40% (de 30,15 a 18,11 segundos por caso). Para las lesiones BI-RADS 4, categoría que concentra la mayor variabilidad y el mayor número de biopsias con resultado benigno, se han estudiado específicamente sistemas de IA en tiempo real para reducir la tasa de biopsias innecesarias sin comprometer la sensibilidad para el cáncer.

Medición automatizada y reducción de la variabilidad cuantitativa

Quizás el ejemplo más maduro de IA reduciendo la variabilidad cuantitativa provenga de la ecocardiografía. Un estudio publicado en European Heart Journal – Cardiovascular Imaging validó un método de IA para medir automáticamente los volúmenes ventriculares y la fracción de eyección, comparándolo con mediciones manuales en bases de datos internas y externas. La diferencia media para la fracción de eyección osciló entre -5,5 y 0,3 puntos porcentuales, con análisis exitoso en el 95-100% de los exámenes. El hallazgo más relevante, sin embargo, fue metodológico: todos los intervalos de confianza del 95% para la razón de varianza estuvieron por debajo de 1,0, lo que indica que la variabilidad de la IA fue menor que la variabilidad entre observadores humanos, y el método también resultó no inferior a la repetición por el mismo operador (test-retest).

En obstetricia, un estudio publicado en BMC Pregnancy and Childbirth evaluó un software de biometría fetal automatizada (CUPID) en el segundo trimestre. La reproducibilidad intraobservador de la IA fue prácticamente perfecta (ICC = 1,0), frente a un ICC de 0,974-0,999 para un radiólogo sénior y 0,749-0,934 para uno júnior. El error medio absoluto de la IA varió de 0,36 a 2,53 mm en las medidas biométricas, mientras que el radiólogo júnior presentó errores de 0,64 a 8,13 mm, una diferencia notable justamente en el grupo de examinadores menos experimentados, donde la variabilidad interobservador más compromete la estimación de la edad gestacional y el peso fetal. La IA también procesó cada medida en 0,05-0,07 segundos, frente a 4,79-13,44 segundos de forma manual.

Se han descrito resultados similares para el grosor íntima-media carotídeo (GIM), una medida clásica de riesgo cardiovascular subclínico cuyo valor absoluto cambia poco entre individuos sanos y enfermos, lo que la hace extremadamente sensible a pequeñas variaciones en la técnica de medición manual. Los sistemas semiautomatizados y totalmente automatizados de detección de bordes por contorno activo, estudiados desde la década de 2000 y refinados más recientemente con redes neuronales (incluidas arquitecturas con atención/transformers), buscan precisamente eliminar la subjetividad del posicionamiento manual de los cursores en las interfaces íntima-luz y media-adventicia, identificada como la principal fuente de variabilidad entre operadores en este tipo de medición.

Guía de calidad de imagen en tiempo real

Más allá de interpretar imágenes ya adquiridas, una nueva generación de herramientas actúa durante la propia adquisición, señalando en tiempo real si el plano de corte, el encuadre o la ganancia son adecuados antes de que la imagen se guarde y se mida. Un estudio sobre la concordancia intra e interobservador de un sistema objetivo de puntuación de calidad de imagen transvaginal, diseñado precisamente para entrenar algoritmos de IA, ilustra por qué este paso importa: si la calidad de la imagen de entrada ya varía entre operadores, cualquier clasificación o medición automatizada realizada a partir de ella hereda parte de esa variabilidad. La automatización completa de la adquisición, en la que el propio sistema guía o realiza el barrido, se aborda en profundidad en otro artículo de esta serie; aquí conviene destacar que garantizar la calidad de la imagen de entrada se reconoce hoy como un requisito previo para que las ganancias de precisión de la IA en la detección y clasificación se sostengan en la práctica clínica.

Generación de informes asistida por IA

Un campo en rápida expansión combina los hallazgos estructurados de la IA de detección/clasificación con modelos de lenguaje para generar automáticamente el texto del informe. Los sistemas descritos recientemente en la literatura —incluidos enfoques que integran anotaciones del radiólogo con análisis de deep learning para sintetizar informes multimodales estructurados de ecografía mamaria, y herramientas que convierten descripciones habladas por el examinador durante el examen en informes estructurados usando modelos de lenguaje de gran tamaño (LLM)— buscan reducir el tiempo de escritura, estandarizar la terminología (por ejemplo, garantizando que los descriptores usados correspondan realmente a la categoría BI-RADS o TI-RADS asignada) y disminuir errores de transcripción. Estos sistemas siguen siendo mayormente semiautomatizados: la IA propone un borrador estructurado a partir de los hallazgos de imagen, pero la validación final del texto y de la conducta sigue a cargo del médico responsable.

Evidencia directa sobre la concordancia entre observadores

Vale la pena reunir, lado a lado, las cifras de concordancia citadas a lo largo de este artículo, porque es esa métrica la que responde directamente a la pregunta clínica sobre la variabilidad. Para los nódulos tiroideos, la concordancia entre observadores con el sistema Koios DS subió de 0,622 a 0,876 (escala de coeficiente de concordancia), y el sistema AI-SONIC alcanzó un coeficiente de Kendall de 0,995, superando la concordancia típica entre examinadores humanos, que se sitúa entre 0,72 y 0,85. Para los nódulos mamarios con Koios DS, la concordancia subió de 0,54 a 0,68 (tau-b de Kendall). Para la fracción de eyección, todos los intervalos de confianza de la varianza de la IA quedaron por debajo de la variabilidad interobservador humana. En conjunto, estos datos, obtenidos en poblaciones y equipos distintos, con diferentes fabricantes de software, convergen en la misma conclusión: la IA tiende a reducir, de forma medible y reproducible, la variación de resultado que hoy depende de quién realiza o interpreta el examen.

Limitaciones honestas: sesgo, generalización y regulación

Estos resultados no deben leerse como un sustituto del juicio médico. La primera limitación es el sesgo de los datos de entrenamiento: la mayoría de los algoritmos comerciales se han desarrollado y validado predominantemente en poblaciones y equipos de pocos centros, a menudo en Asia Oriental (para tiroides) o en Norteamérica y Europa (para mama y corazón), y su desempeño puede caer al aplicarse a poblaciones con una prevalencia de enfermedad, biotipo o parámetros de equipo distintos de los datos de entrenamiento, un problema de generalización ampliamente discutido en la literatura sobre regulación de dispositivos de IA en imagen. La segunda es la dependencia del equipo y la configuración: un modelo entrenado con imágenes de un fabricante de transductores puede perder precisión en aparatos de otra marca o con parámetros de ganancia/frecuencia distintos.

Desde el punto de vista regulatorio, cabe recordar que el estado de aprobación varía según el país, la indicación de uso y la versión del software. En Estados Unidos, decenas de algoritmos de imagen con componente de IA/machine learning ya han recibido autorización de la FDA en los últimos años, la mayoría por la vía 510(k) basada en predicados anteriores, lo que plantea, según revisiones publicadas en Radiology y en revistas de política regulatoria, interrogantes sobre la transparencia de los datos de validación y sobre hasta qué punto las actualizaciones de software posteriores a la aprobación siguen siendo supervisadas adecuadamente. En Brasil, corresponde a ANVISA la regulación del software como dispositivo médico (SaMD); antes de adoptar cualquier herramienta de IA en la práctica clínica, el médico debe verificar si tiene registro vigente para la indicación prevista en el país donde ejerce, y no solo en otro mercado.

Finalmente, el consenso emergente en la literatura, reforzado por artículos de posicionamiento sobre IA en ecografía que abordan la rendición de cuentas y la gobernanza, es que estas herramientas deben usarse como apoyo a la decisión, no como sustituto de la evaluación médica. Incluso los estudios con los mejores resultados de precisión recomiendan que los casos de discordancia entre la IA y el examinador, los hallazgos incidentales fuera del alcance del algoritmo y las decisiones de conducta clínica (biopsia, seguimiento, derivación) sigan bajo la responsabilidad y firma de un médico. La IA reduce la variabilidad y puede aumentar la consistencia, pero la responsabilidad final del diagnóstico y de la conducta sigue siendo médica.