Una herramienta de inteligencia artificial para detectar cáncer de esófago logró identificar lesiones malignas a partir de tomografías computarizadas de tórax sin contraste y mantuvo un alto desempeño durante su validación en más de 80.000 pacientes. El modelo fue evaluado en 12 centros de tres países y alcanzó una sensibilidad del 90 % para cáncer de esófago en las cohortes externas utilizadas para estudiar su aplicación como herramienta de detección oportunista.
Los resultados corresponden a una investigación publicada en Nature Medicine el 22 de septiembre de 2026. El trabajo plantea la posibilidad de obtener información adicional de tomografías que ya fueron realizadas por otras indicaciones clínicas, aunque los investigadores todavía consideran necesaria la endoscopia y la confirmación histopatológica cuando se identifican hallazgos sospechosos.
Una IA busca lesiones que son difíciles de reconocer en tomografías sin contraste
El cáncer de esófago en etapas tempranas puede ser difícil de identificar mediante tomografía computarizada de tórax sin contraste. El esófago es una estructura tubular que puede encontrarse colapsada y presentar artefactos relacionados con el movimiento, condiciones que dificultan diferenciar pequeñas lesiones de los tejidos normales.
Para abordar ese problema, los investigadores desarrollaron EAGLE, acrónimo de Esophageal AI-Guided malignant Lesion Evaluation. El sistema analiza las imágenes tridimensionales, localiza el esófago y posteriormente estima la probabilidad de que exista una lesión maligna. También genera mapas y segmentaciones que señalan las regiones que contribuyen a la clasificación realizada por el algoritmo.
El desarrollo se suma a una línea de investigación que busca ampliar el papel de la inteligencia artificial en la detección de cáncer mediante imágenes médicas. Sin embargo, en este caso la particularidad radica en utilizar imágenes sin contraste que no fueron diseñadas específicamente para buscar lesiones esofágicas tempranas.
El estudio incluyó validaciones en más de 80.000 pacientes
EAGLE fue entrenado inicialmente con tomografías de 6.813 pacientes procedentes de dos centros. En los casos con lesiones malignas, los investigadores utilizaron confirmación histopatológica y anotaciones realizadas por especialistas para enseñar al modelo a reconocer las regiones sospechosas.
Posteriormente, el sistema fue sometido a diferentes escenarios de validación que involucraron en conjunto 80.612 pacientes de 12 centros ubicados en China, República Checa y Australia. La investigación incluyó cohortes hospitalarias, tomografías convencionales sin contraste, imágenes de baja dosis y evaluaciones realizadas en condiciones de práctica clínica.
En ocho cohortes externas que reunieron 11.466 pacientes, el modelo alcanzó una especificidad del 98,5 %. La sensibilidad fue del 90 % para cáncer de esófago y del 52,5 % para lesiones precancerosas bajo el punto de operación seleccionado para la detección oportunista. Estas cifras describen la capacidad del algoritmo para clasificar las imágenes dentro de las cohortes estudiadas. No significan que una tomografía positiva pueda considerarse por sí sola un diagnóstico definitivo de cáncer.
El sistema también fue probado con tomografías de baja dosis
Uno de los escenarios explorados por los investigadores fue el uso de tomografías computarizadas de baja dosis, una modalidad empleada, entre otros contextos, en programas de detección de cáncer de pulmón.
La evaluación incluyó una cohorte de 1.607 pacientes procedentes de dos centros. El modelo mantuvo una sensibilidad cercana al 90 % para detectar malignidad esofágica, aunque los investigadores reconocen que las imágenes de baja dosis representan un desafío adicional por su menor calidad y mayor nivel de ruido.
El hallazgo abre una posibilidad de investigación adicional. En lugar de realizar necesariamente un nuevo examen, un algoritmo podría analizar imágenes obtenidas inicialmente con otro propósito y señalar aquellos casos en los que sería conveniente realizar una evaluación específica del esófago.
Esa estrategia corresponde a lo que los autores describen como detección oportunista. Su posible aplicación dependería de que el sistema mantenga un número suficientemente bajo de falsos positivos para evitar derivaciones innecesarias hacia procedimientos adicionales.
La validación en práctica clínica redujo los falsos positivos
El modelo también fue sometido a una evaluación con datos procedentes de escenarios clínicos menos controlados. Los investigadores utilizaron 35.402 tomografías sin contraste de tres centros para recalibrar el sistema frente a la diversidad de pacientes que puede encontrarse en la práctica habitual.
Esta calibración redujo los falsos positivos en 72,7 % sin sacrificar de manera relevante la sensibilidad, según los resultados publicados. Posteriormente se realizó una validación prospectiva hospitalaria con 17.446 pacientes, en la que el valor predictivo positivo entre las clasificaciones positivas realizadas por la inteligencia artificial alcanzó el 42,2 %.
En esa evaluación prospectiva, el algoritmo generó 90 predicciones positivas. Después de la revisión clínica y el seguimiento, 38 correspondieron a verdaderos positivos, incluidos casos de cáncer de esófago y lesiones precancerosas de alto grado.
Los autores también evaluaron cómo podía modificarse el desempeño de los radiólogos cuando disponían de la asistencia del sistema. En el estudio de lectura, la sensibilidad promedio para identificar cáncer de esófago aumentó del 71,9 % al 85,7 %, mientras que la especificidad pasó del 79,6 % al 91,7 %.
¿Puede la inteligencia artificial ayudar a encontrar cáncer de esófago en etapas tempranas?
Una de las preguntas centrales del estudio era si EAGLE podía detectar alteraciones antes de que el cáncer alcanzara fases avanzadas. Para explorarlo, los investigadores analizaron cohortes en las que los pacientes tenían tanto tomografía como evaluación endoscópica.
En 702 pacientes de dos centros, el sistema alcanzó una sensibilidad del 65 % para lesiones precancerosas y del 78,4 % para cáncer de esófago en estadio I cuando se utilizó un umbral configurado para aumentar la sensibilidad.
Además, durante las evaluaciones en condiciones reales, el algoritmo identificó tres casos de malignidad esofágica que no habían sido detectados inicialmente mediante la atención habitual. En uno de ellos, una lesión pudo identificarse retrospectivamente en una tomografía realizada 21 meses antes del diagnóstico clínico.
Ese caso no permite concluir que la herramienta adelante el diagnóstico en 21 meses de manera generalizada. Se trata de una observación individual dentro del estudio que ilustra el tipo de señales que el modelo podría detectar y que deberá ser evaluado en investigaciones posteriores.
¿Qué falta antes de utilizar esta herramienta como estrategia de detección?
Los resultados muestran que EAGLE puede extraer información relacionada con malignidad esofágica de tomografías que tradicionalmente presentan limitaciones para esa finalidad. Sin embargo, el estudio evaluó principalmente desempeño diagnóstico y posibilidades de integración clínica, no desenlaces como reducción de mortalidad, supervivencia o beneficios derivados de implementar el algoritmo en programas poblacionales.
Tampoco sustituye la endoscopia ni la confirmación histopatológica. Su posible función sería señalar pacientes con mayor probabilidad de presentar una lesión y apoyar la decisión de avanzar hacia evaluaciones adicionales.
Parte del análisis sobre su integración antes de una endoscopia se realizó mediante simulaciones que combinaron participantes prospectivos con casos incorporados para aproximarse a una prevalencia esperada en poblaciones de alto riesgo. Por esta razón, esos resultados no deben interpretarse como evidencia definitiva de que la estrategia reduzca procedimientos endoscópicos en la práctica clínica.
Aunque la investigación incluyó validaciones internacionales, una proporción importante del desarrollo y de las cohortes procedió de centros de China. Evaluar el rendimiento del modelo en nuevas poblaciones, sistemas de salud y programas de detección será necesario para determinar hasta qué punto esta tecnología puede incorporarse de manera segura y eficiente a la práctica clínica.
