Un nuevo método de Inteligencia Artificial reduce los falsos positivos en pruebas de cáncer
Más precisión y confianza en el diagnóstico
Investigadores del Centro Oncológico Kimmel de la Universidad Johns Hopkins, junto al Centro Ludwig y la Escuela de Ingeniería Whiting de la misma universidad (EE. UU.), han presentado dos estudios que introducen una IA más fiable y precisa para el diagnóstico médico.
El primer trabajo describe el diseño de MIGHT (Multidimensional Informed Generalized Hypothesis Testing), un método de IA creado específicamente para ofrecer la fiabilidad exigida en decisiones clínicas. Los autores lo aplicaron a pruebas basadas en la detección de fragmentos de ADN libre circulante (ccfDNA), y constataron que ciertos patrones de fragmentación no solo se dan en personas con cáncer, sino también en quienes padecen enfermedades autoinmunes o vasculares.
Para distinguir mejor entre estas condiciones y evitar falsos positivos, MIGHT se amplió y fue incorporando datos sobre enfermedades autoinmunes y vasculares. Este enfoque mejorado logró resultados destacables: en un análisis con 1.000 muestras (352 de pacientes con cáncer avanzado y 648 sin cáncer), el modelo alcanzó una sensibilidad del 72 % y una especificidad del 98 % –es decir, detectó la mayoría de casos reales y apenas generó falsos positivos–.
El Dr. Joshua Vogelstein, uno de los investigadores, subraya que MIGHT es eficaz “para medir la incertidumbre y fortalecer la fiabilidad”, incluso con muestras limitadas pero datos complejos.
Mayor precisión clínica
Además, se desarrolló un algoritmo complementario llamado CoMIGHT, que combina múltiples señales biológicas. Se probó en muestras de pacientes con cáncer de mama y páncreas en fases tempranas –125 casos de cada tipo– junto a 500 controles sin cáncer. Aunque los cánceres de páncreas presentaron una detección más común, CoMIGHT evidenció el potencial de combinar distintos biomarcadores para optimizar la detección del cáncer de mama en estadios iniciales.
Un hallazgo inesperado del estudio fue que la inflamación, más que el cáncer en sí, podría generar ciertos patrones de fragmentación del ADN, lo que explica por qué estos señalizados se hallan también en otras enfermedades. Incorporar datos sobre inflamación permitió reducir, aunque no erradicar, los falsos protagonizados por condiciones no cancerosas.
En conjunto, estas investigaciones ponen de manifiesto tanto el inmenso potencial como los retos en el desarrollo de IA clínica confiable. También señalan la necesidad de seguir trabajando para que herramientas como MIGHT puedan adaptarse al entorno médico cotidiano.
