PanDerm, mejora la precisión diagnóstica de cáncer de piel y otras enfermedades dermatológicas mediante el análisis simultáneo de imágenes clínicas, patológicas y dermatoscópicas.
Un equipo internacional de científicos, incluyendo investigadores de Monash University y University of Queensland (UQ), desarrolló una herramienta de inteligencia artificial (AI) llamada PanDerm, que ha demostrado superar a médicos humanos en la detección temprana de melanoma y en el diagnóstico de más de 100 enfermedades cutáneas. El estudio fue publicado en la revista Nature Medicine y representa un avance significativo en el uso de modelos de AI multimodal en medicina clínica.
PanDerm es un modelo de AI entrenado con más de 2.1 millones de imágenes dermatológicas reales, recolectadas en 11 instituciones clínicas de distintos países. Estas imágenes abarcan cuatro tipos de modalidades visuales: fotografía clínica, dermatoscopía (imágenes ampliadas de lesiones), fotografía corporal total (TBP, en inglés) y láminas patológicas digitales. A diferencia de sistemas previos entrenados en una sola modalidad, PanDerm puede procesar múltiples tipos de imágenes simultáneamente, tal como lo haría un dermatólogo humano en consulta.
En una serie de 28 pruebas clínicas, el modelo fue evaluado en tareas como clasificación de lesiones, diagnóstico diferencial de condiciones comunes y raras, segmentación de lesiones, monitoreo longitudinal y predicción de metástasis. Según los resultados, PanDerm superó a los modelos existentes en todas las pruebas, incluso cuando fue entrenado con apenas el 10% de los datos etiquetados que necesitan otras tecnologías.
Tres estudios con médicos reales mostraron que PanDerm mejoró en 11% la precisión diagnóstica de dermatólogos al usar imágenes dermatoscópicas y en 16.5% la de médicos no especialistas al enfrentar diagnósticos de hasta 128 enfermedades cutáneas distintas. Además, fue 10.2% más preciso que los dermatólogos en detectar signos tempranos de melanoma en imágenes tomadas en distintos momentos.
Por su parte, Peter Soyer, de la UQ y coautor del estudio, destacó la utilidad del sistema en ambientes con pocos recursos o con acceso limitado a dermatólogos: “La fuerza de PanDerm reside en su capacidad para apoyar los flujos de trabajo clínicos existentes. Hemos visto que la herramienta también era capaz de obtener buenos resultados incluso cuando se entrenaba con sólo una pequeña cantidad de datos etiquetados, una ventaja clave en diversos entornos médicos donde los datos anotados estándar suelen ser limitados”.
Los resultados más prometedores incluyeron también la detección de cambios sutiles en lesiones malignas a lo largo del tiempo. En este aspecto, PanDerm tuvo una precisión del 77.5% en detectar melanomas en su primera aparición, frente a apenas el 32.6% logrado por médicos humanos. Además, el modelo predijo con gran exactitud el riesgo de metástasis a partir de imágenes de melanomas invasivos, alcanzando un AUROC de 0.964, superando por 2 puntos porcentuales al segundo mejor modelo.
Por su parte, el primer autor y estudiante de doctorado Siyuan Yan, de la Universidad de Monash, explicó que: “Al entrenar a PanDerm con datos diversos procedentes de distintas técnicas de imagen, hemos creado un sistema capaz de entender las afecciones cutáneas como lo hacen los dermatólogos, sintetizando información de varias fuentes visuales”.
PanDerm también demostró gran rendimiento en tareas de segmentación de lesiones, pronóstico de supervivencia y conteo de lunares, e incluso fue capaz de reducir en 60.8% el número de revisiones innecesarias de lesiones sospechosas en pacientes de alto riesgo. PanDerm resultó prometedor para ayudar a detectar cambios sutiles en las lesiones a lo largo del tiempo, además de proporcionar pistas sobre la biología de la lesión y su futuro potencial metastásico.
Aunque PanDerm aún se encuentra en fase de validación antes de su adopción clínica generalizada, los autores consideran que su rendimiento en entornos diversos y su habilidad para mejorar la precisión diagnóstica son señales prometedoras de su potencial.
“Este tipo de ayuda podría contribuir a un diagnóstico más precoz y a un seguimiento más sistemático de los pacientes con alto riesgo de melanoma”, afirmó la coautora Victoria Mar. “En hospitales o clínicas del mundo real, los médicos utilizan diversas formas y distintos tipos de imágenes para diagnosticar el cáncer de piel u otras afecciones cutáneas, concluyó.
