La inteligencia artificial (IA) se ha convertido en una herramienta cada vez más valiosa en la endoscopia gastrointestinal, especialmente en el contexto de las enfermedades inflamatorias intestinales, incluida la colitis ulcerosa y la enfermedad de Crohn. Una de sus aplicaciones más impactantes es la detección temprana y la caracterización precisa de lesiones displásicas, que suelen ser difíciles de identificar debido a la inflamación crónica y las alteraciones mucosas. Los sistemas basados en IA, como la detección asistida por computadora y el diagnóstico asistido por computadora, han mostrado un excelente rendimiento al identificar lesiones sutiles o planas, mejorando la calidad y la consistencia de la vigilancia de la displasia y apoyando la prevención del cáncer colorrectal. Además de la detección de neoplasias, la IA desempeña un papel significativo en la evaluación de la inflamación mucosa y la actividad de la enfermedad mediante la oferta de calificaciones objetivas, reduciendo la variabilidad interobservador e incluso prediciendo la remisión histológica sin necesidad de biopsia.
Estas capacidades mejoran la toma de decisiones y respaldan un enfoque más personalizado para el manejo del paciente. Aunque los desafíos técnicos, regulatorios e integrativos persisten, la evidencia actual apoya el papel creciente de la IA en mejorar tanto la precisión diagnóstica como los resultados a largo plazo en endoscopia de enfermedades inflamatorias intestinales.
Las enfermedades inflamatorias intestinales (EII) son trastornos crónicos, progresivos e inmunomediados que afectan al tracto gastrointestinal (GI) y a órganos extraintestinales. Los principales tipos clínicos son la colitis ulcerosa (CU) y la enfermedad de Crohn, mientras que algunos pacientes se clasifican como colitis indeterminada o EII sin clasificar. Aunque la causa exacta no se conoce del todo, se cree que factores inmunológicos, genéticos, ambientales y de estilo de vida contribuyen a la patogénesis de la enfermedad[[1],[2]].
Inteligencia artificial
La inteligencia humana se refiere a la capacidad cognitiva de aprender, adaptarse y comprender conceptos abstractos, incluidas las dimensiones emocional y social[[3]]. Y lo que es más importante, implica la capacidad de aplicar conocimientos previos y patrones aprendidos para predecir resultados en situaciones novedosas. La inteligencia artificial (IA) reproduce sintéticamente muchas de estas funciones.
En endoscopia, las herramientas de IA son principalmente los sistemas de detección asistida por ordenador (CADe), que identifican anomalías con alta sensibilidad, y los sistemas de diagnóstico asistido por ordenador, que caracterizan las lesiones con alta especificidad[[4],[5]]. La IA incluye el aprendizaje automático (machine learning, ML) y el aprendizaje profundo (deep learning, DL), que suelen clasificarse en enfoques de aprendizaje supervisado, no supervisado y de refuerzo[[5]-[8]]. Las redes neuronales artificiales, especialmente las arquitecturas profundas, procesan datos a través de múltiples capas interconectadas, a menudo denominadas "caja negra", para generar resultados predictivos[[9],[10]]. Entre ellas, las redes neuronales convolucionales (CNN) se utilizan ampliamente en endoscopia GI, donde analizan imágenes o fotogramas de vídeo para detectar anomalías en la mucosa[[11]].
La integración de la IA en la medicina avanza con rapidez, sobre todo en campos centrados en la imagen como la radiología y la gastroenterología. En la endoscopia de la EII, el desarrollo de la IA se centra en la detección precoz de lesiones premalignas, la reducción de los errores humanos y la mejora de la evaluación de la actividad inflamatoria. En la actualidad, la evaluación precisa requiere experiencia y se ve afectada por una importante variabilidad entre observadores[[1]]. Las aplicaciones clave de la IA en la EII incluyen la detección de displasias, el cribado del cáncer colorrectal (CCR) y la evaluación estandarizada de la actividad de la enfermedad. Aunque varias revisiones han explorado la aplicación de la IA en gastroenterología, esta revisión se centra específicamente en los retos y avances recientes en la detección de displasia en pacientes con EII. A diferencia de trabajos anteriores que abordan ampliamente las aplicaciones de la IA en la EII o en la endoscopia general, nuestro análisis hace hincapié en los aspectos clínicos, tecnológicos y patológicos únicos relacionados con la vigilancia de la displasia en el contexto de la EII. En la figura 1 se ofrece una visión esquemática del abordaje endoscópico de la EII y los posibles puntos de integración de la IA a lo largo del flujo de trabajo.
Inteligencia artificial
La inteligencia humana se refiere a la capacidad cognitiva de aprender, adaptarse y comprender conceptos abstractos, incluidas las dimensiones emocional y social[[3]]. Y lo que es más importante, implica la capacidad de aplicar conocimientos previos y patrones aprendidos para predecir resultados en situaciones novedosas. La inteligencia artificial (IA) reproduce sintéticamente muchas de estas funciones.
En endoscopia, las herramientas de IA son principalmente los sistemas de detección asistida por ordenador (CADe), que identifican anomalías con alta sensibilidad, y los sistemas de diagnóstico asistido por ordenador, que caracterizan las lesiones con alta especificidad[[4],[5]]. La IA incluye el aprendizaje automático (machine learning, ML) y el aprendizaje profundo (deep learning, DL), que suelen clasificarse en enfoques de aprendizaje supervisado, no supervisado y de refuerzo[[5]-[8]]. Las redes neuronales artificiales, especialmente las arquitecturas profundas, procesan datos a través de múltiples capas interconectadas, a menudo denominadas "caja negra", para generar resultados predictivos[[9],[10]]. Entre ellas, las redes neuronales convolucionales (CNN) se utilizan ampliamente en endoscopia GI, donde analizan imágenes o fotogramas de vídeo para detectar anomalías en la mucosa[[11]].
La integración de la IA en la medicina avanza con rapidez, sobre todo en campos centrados en la imagen como la radiología y la gastroenterología. En la endoscopia de la EII, el desarrollo de la IA se centra en la detección precoz de lesiones premalignas, la reducción de los errores humanos y la mejora de la evaluación de la actividad inflamatoria. En la actualidad, la evaluación precisa requiere experiencia y se ve afectada por una importante variabilidad entre observadores[[1]]. Las aplicaciones clave de la IA en la EII incluyen la detección de displasias, el cribado del cáncer colorrectal (CCR) y la evaluación estandarizada de la actividad de la enfermedad. Aunque varias revisiones han explorado la aplicación de la IA en gastroenterología, esta revisión se centra específicamente en los retos y avances recientes en la detección de displasia en pacientes con EII. A diferencia de trabajos anteriores que abordan ampliamente las aplicaciones de la IA en la EII o en la endoscopia general, nuestro análisis hace hincapié en los aspectos clínicos, tecnológicos y patológicos únicos relacionados con la vigilancia de la displasia en el contexto de la EII. En la figura 1 se ofrece una visión esquemática del abordaje endoscópico de la EII y los posibles puntos de integración de la IA a lo largo del flujo de trabajo.
METODOLOGÍA
Esta revisión narrativa explora la aplicación de la IA en la endoscopia GI para detectar lesiones displásicas en pacientes con EII. La atención se centra en las soluciones basadas en IA tanto en tiempo real como fuera de línea, haciendo hincapié en su relevancia clínica, precisión diagnóstica y posible integración en las prácticas rutinarias de vigilancia.
Búsqueda bibliográfica y alcance
Se realizó una búsqueda bibliográfica exhaustiva en las bases de datos PubMed, EMBASE y Web of Science para identificar estudios relevantes publicados entre enero de 2015 y junio de 2025. La estrategia de búsqueda combinó palabras clave relacionadas con la IA ("inteligencia artificial", "aprendizaje automático", "aprendizaje profundo") con términos específicos de la EII ("enfermedad inflamatoria intestinal", "colitis ulcerosa", "enfermedad de Crohn") y términos relacionados con la endoscopia ("displasia", "neoplasia", "endoscopia", "colonoscopia"). Se incluyeron los estudios que investigaban la detección o clasificación basada en IA de lesiones displásicas o neoplásicas en poblaciones con EII utilizando modalidades de imagen endoscópica como la endoscopia de luz blanca de alta definición (HD-WLE), la cromoendoscopia, la endomicroscopia láser confocal (CLE) o la endocitoscopia. Se consideraron tanto las aplicaciones de IA en tiempo real como fuera de línea en entornos clínicos o experimentales. Se excluyeron los artículos en lengua no inglesa, los estudios no centrados en la displasia relacionada con la EII, las investigaciones limitadas a la histopatología o la genómica sin correlación endoscópica y las publicaciones no originales (excepto las que influyen en las directrices de vigilancia).
Dada la naturaleza narrativa de este artículo, no se realizó una evaluación formal del riesgo de sesgo ni una extracción sistemática de datos. En cambio, los estudios se seleccionaron en función de su importancia clínica, su calidad metodológica y el informe de las métricas clave de rendimiento diagnóstico, como la sensibilidad, la especificidad y la precisión, con especial atención a la aplicabilidad en tiempo real de los sistemas de IA y su posible integración en los flujos de trabajo clínicos rutinarios.
Búsqueda bibliográfica y alcance
Se realizó una búsqueda bibliográfica exhaustiva en las bases de datos PubMed, EMBASE y Web of Science para identificar estudios relevantes publicados entre enero de 2015 y junio de 2025. La estrategia de búsqueda combinó palabras clave relacionadas con la IA ("inteligencia artificial", "aprendizaje automático", "aprendizaje profundo") con términos específicos de la EII ("enfermedad inflamatoria intestinal", "colitis ulcerosa", "enfermedad de Crohn") y términos relacionados con la endoscopia ("displasia", "neoplasia", "endoscopia", "colonoscopia"). Se incluyeron los estudios que investigaban la detección o clasificación basada en IA de lesiones displásicas o neoplásicas en poblaciones con EII utilizando modalidades de imagen endoscópica como la endoscopia de luz blanca de alta definición (HD-WLE), la cromoendoscopia, la endomicroscopia láser confocal (CLE) o la endocitoscopia. Se consideraron tanto las aplicaciones de IA en tiempo real como fuera de línea en entornos clínicos o experimentales. Se excluyeron los artículos en lengua no inglesa, los estudios no centrados en la displasia relacionada con la EII, las investigaciones limitadas a la histopatología o la genómica sin correlación endoscópica y las publicaciones no originales (excepto las que influyen en las directrices de vigilancia).
Dada la naturaleza narrativa de este artículo, no se realizó una evaluación formal del riesgo de sesgo ni una extracción sistemática de datos. En cambio, los estudios se seleccionaron en función de su importancia clínica, calidad metodológica y el informe de las métricas clave de rendimiento diagnóstico, como la sensibilidad, especificidad y precisión, con especial atención a la aplicabilidad en tiempo real de los sistemas de IA y su posible integración en los flujos de trabajo clínicos rutinarios.
PREDICCIÓN MEDIANTE AI DE LA DISPLASIA ASOCIADA AL IBD
Modelos de IA para la detección precoz de displasias en la EII
Uno de los aspectos clave de la evaluación endoscópica en pacientes con EII es la detección oportuna de displasia, que permite una intervención terapéutica rápida y adecuada. La relevancia de la IA en la detección de displasia ha sido confirmada por varios estudios significativos.
Uno de los modelos basados en IA más impactantes para detectar lesiones polipoides y no polipoides en pacientes con EII fue desarrollado por Guerrero Vinsard et al[[12]] en 2023. Este modelo se entrenó utilizando datos de 3437 colonoscopias realizadas tanto con HD-WLE como con cromoendoscopia basada en colorantes[[12]]. Los criterios de inclusión clave fueron la presencia de una lesión macroscópicamente visible durante la colonoscopia de vigilancia en pacientes con EII y la confirmación histopatológica de los hallazgos[[12]]. Las lesiones se clasificaron en cinco grupos: lesiones displásicas, lesiones no displásicas, pseudopólipos, componentes superficiales elevados (SEC) y adenomas dentados sésiles (SSA)[[12]].
El sistema CADe demostró un excelente rendimiento diagnóstico, con una sensibilidad del 95,1%, una especificidad del 98,8%, un valor predictivo positivo (VPP) del 98,9%, un valor predictivo negativo (VPN) del 94,7%, una precisión global del 96,8% y un área bajo la curva de 0,85[[12]]. El algoritmo alcanzó una sensibilidad similar del 90% tanto para pólipos no displásicos como displásicos, con un VPP del 100% para pólipos no displásicos y del 95% para pólipos displásicos[[12]]. Para los SEC, el sistema alcanzó una sensibilidad del 85% y un VPP del 100%, mientras que para los SSA, la sensibilidad alcanzó el 94% con un VPP del 100%[[12]]. En cuanto al tamaño de la lesión, el sistema IBD-CADe mostró un rendimiento constante para las lesiones más pequeñas, con una tasa de verdaderos positivos del 91%-93%, mientras que la precisión de la detección disminuyó ligeramente para las lesiones mayores de 10 mm, con una tasa de verdaderos positivos del 85%[[12]]. Estos resultados reflejan el rendimiento diagnóstico del modelo utilizando HD-WLE.
En cambio, el rendimiento del sistema cuando se aplicó a imágenes de cromoendoscopia fue notablemente inferior, con una sensibilidad del 67,4%, una especificidad del 88,0%, un VPP del 83,3%, una precisión del 77,8% y un área bajo la curva de 0,65[[12]]. La mayor sensibilidad en esta modalidad se observó para los SEC, mientras que la detección de los SSA se redujo notablemente, con una tasa de verdaderos positivos de sólo el 36%[[12]]. Las tasas de detección de lesiones displásicas, no displásicas y pseudopólipos fueron relativamente comparables. En el caso de la cromoendoscopia, la tasa de verdaderos positivos más elevada, del 73%, se registró en las lesiones mayores de 10 mm[[12]].
Otro sistema de IA desarrollado por Yamamoto et al[[13]] empleó una arquitectura CNN profunda basada en EfficientNet-B3 para diferenciar lesiones neoplásicas en pacientes con EII. Las lesiones se clasificaron en dos grupos: Adenocarcinoma/displasia de alto grado y displasia de bajo grado/adenoma esporádico/mucosa normal[[13]]. El modelo de IA demostró una precisión diagnóstica superior del 79% [intervalo de confianza (IC) del 95%: 72,5%-84,6%], superando a los endoscopistas no expertos, que alcanzaron una precisión del 75,8% (IC del 95%: 72,0%-79,3%), y superando ligeramente la precisión de los endoscopistas expertos en un 77,8% (IC del 95%: 74,7%-80,8%)[[13]]. La sensibilidad y especificidad del modelo fueron del 72,5% (IC 95%: 60,4%-82,5%) y del 82,9% (IC 95%: 74,8%-89,2%), respectivamente, lo que sugiere su aplicabilidad en la práctica clínica habitual para la evaluación objetiva de lesiones de alto riesgo en pacientes con EII[[13]].### Importancia de las técnicas de vigilancia y detección endoscópica
La detección precoz de la displasia está indisolublemente ligada a la realización de colonoscopias periódicas de cribado y vigilancia en pacientes con EII. La displasia rara vez se identifica durante la colonoscopia inicial en el momento del diagnóstico, ya que su desarrollo requiere un periodo prolongado de inflamación crónica y progresión de la enfermedad.
Ciertos subgrupos de pacientes con EII presentan un mayor riesgo de desarrollar CCR en comparación con la población general[[14],[15]]. Gracias a la adopción de herramientas de detección modernas e innovadoras y de modalidades terapéuticas avanzadas, la incidencia y la mortalidad del CCR asociado a la EII han disminuido significativamente en los últimos años[[15]].
La inflamación crónica es el factor clave de la transformación neoplásica en la EII. El efecto acumulativo de la inflamación prolongada promueve el desarrollo de lesiones displásicas -caracterizadas por células displásicas que se extienden por toda la altura de la cripta en la colitis- que pueden servir como precursoras del CCR asociado a colitis[[15]]. Histológicamente, la displasia se define como una proliferación neoplásica de la mucosa intestinal confinada a la membrana basal, sin evidencia de invasión[[16]].
La clasificación de París se utiliza habitualmente para describir la morfología de las lesiones GI superficiales en la EII[[17]]. Según este sistema, las lesiones GI se clasifican en polipoides y no polipoides. Las lesiones polipoides pueden ser pedunculadas, semipedunculadas o sésiles, mientras que las lesiones no polipoides incluyen morfologías ligeramente elevadas, planas, ligeramente deprimidas o ulceradas/erodadas[[17]].
A pesar de los avances significativos en la tecnología endoscópica y en las técnicas de detección de lesiones, una proporción considerable de adenomas -especialmente los que tienen potencial maligno- siguen sin detectarse. Un metaanálisis de Zhao et al[[18]], basado en más de 15.000 colonoscopias en tándem, informó de tasas de error del 26% (IC del 95%: 23%-30%) para los adenomas, del 9% (IC del 95%: 4%-16%) para los adenomas avanzados y del 27% (IC del 95%: 16%-40%) para los pólipos dentados. Dado que el error humano es el principal responsable de que no se detecten estas lesiones, existe un creciente interés por las herramientas de detección asistida por IA para apoyar el diagnóstico precoz del CCR. Sin embargo, es importante señalar que la preparación inadecuada del intestino -un factor que va más allá del alcance actual de la corrección de la IA- sigue planteando un reto significativo para la visualización y detección óptimas de las lesiones.
Se han desarrollado varios sistemas basados en IA para la detección precoz de lesiones colorrectales utilizando modelos DL y ML[[18]]. La mayoría de los estudios muestran que los sistemas de IA mejoran significativamente la tasa de detección de adenomas en comparación con los endoscopistas humanos, aunque algunos datos sugieren un rendimiento comparable[[19],[20]]. La tasa de detección de adenomas es un indicador de calidad crítico para la colonoscopia, y la mejora de esta métrica mejora directamente la calidad general del procedimiento.
Una de las técnicas más eficaces para la detección de displasias sigue siendo la cromoendoscopia, que puede realizarse mediante cromoendoscopia con colorante o cromoendoscopia virtual (CVE)[[21]]. La cromoendoscopia basada en colorantes implica la aplicación tópica de agentes de contraste como el índigo carmín o colorantes absorbentes como el azul de metileno o el violeta cristal directamente sobre la mucosa para mejorar la visualización de anomalías sutiles. Cada colorante tiene sus ventajas; el índigo carmín y el violeta cristal pueden aplicarse fácilmente mediante un catéter pulverizador, mientras que el azul de metileno requiere una preparación adicional. Los colorantes de contraste se utilizan con más frecuencia en el colon, mientras que los colorantes de absorción suelen reservarse para el tracto gastrointestinal superior[[22],[23]]. En cambio, la ECV emplea tecnologías ópticas o digitales para conseguir un aumento del contraste de la mucosa sin necesidad de tintes. Los sistemas basados en filtros ópticos, como las imágenes de banda estrecha (NBI), restringen el espectro de luz a estrechas longitudes de onda azules y verdes absorbidas por la hemoglobina, realzando así los patrones vasculares y los detalles de la mucosa. Los sistemas de posprocesamiento digital, como i-SCAN y el sistema VCE de Fujifilm, mejoran aún más el contraste de la imagen mediante algoritmos[[21],[23],[24]].
La HD-WLE proporciona resoluciones de imagen de hasta dos millones de píxeles por fotograma, lo que facilita la evaluación detallada de la arquitectura de la mucosa[[25]]. Para una precisión óptica aún mayor, métodos como la CLE y la endocitoscopia permiten obtener imágenes de gran aumento en tiempo real. Estos métodos, a menudo denominados herramientas de "biopsia óptica", permiten la evaluación de lesiones específicas mediante tintes fluorescentes y una mayor ampliación[[26]]. Los sistemas de CLE están disponibles en dos configuraciones: CLE basado en sonda y CLE basado en endoscopio. Aunque la CLE se utiliza ampliamente en endoscopia GI, es especialmente útil para evaluar la displasia, la inflamación y la actividad de la enfermedad en pacientes con EII[[26]]. En un estudio de Kiesslich et al[[27]], se comparó el rendimiento de la CLE y la cromoendoscopia con el de la colonoscopia convencional. La tasa de detección de lesiones neoplásicas en pacientes con CU fue casi cinco veces superior cuando se utilizaron técnicas de imagen avanzadas en comparación con la colonoscopia convencional sola[[27]]. Existen diversas directrices para la vigilancia endoscópica de los pacientes con EII, y las más utilizadas son las de la Organización Europea de Crohn y Colitis (ECCO)[[28]]. Según estas recomendaciones, el riesgo de CCR es mayor en pacientes con colitis extensa, moderado en aquellos con colitis del lado izquierdo (segmentaria), y menor en aquellos con proctitis[[28]]. Los pacientes con inflamación grave, colitis asociada a colangitis esclerosante primaria y aquellos con antecedentes familiares de CCR también presentan un mayor riesgo[[28]]. Por lo tanto, los intervalos de vigilancia deben individualizarse y estratificarse en función de los factores de riesgo clínicos, los hallazgos histológicos y la gravedad de los síntomas[[28]]. Se recomienda realizar una colonoscopia de cribado aproximadamente 8 años después de la aparición de los síntomas para evaluar la extensión de la enfermedad y detectar posibles displasias[[28]]. Según las directrices de la ECCO, los pacientes de alto riesgo (aquellos con estenosis o displasia detectada en los 5 años anteriores, colitis asociada a colangitis esclerosante primaria, colitis extensa con inflamación activa grave o antecedentes familiares de CCR en un familiar de primer grado menor de 50 años) deben someterse a una colonoscopia de vigilancia cada año[[28]]. Los pacientes de riesgo intermedio deben someterse a colonoscopia cada 2-3 años, mientras que los pacientes de bajo riesgo pueden ser controlados a intervalos de 5 años[[28]].
El consenso SCENIC también ofrece recomendaciones para la endoscopia de vigilancia en pacientes con EII y destaca la superioridad de la cromoendoscopia sobre la LEB. Según estas directrices, la cromoendoscopia es preferible a la EML, sobre todo cuando se utiliza la colonoscopia de definición estándar[[29]].
Aunque las directrices actuales proporcionan recomendaciones claras para las colonoscopias de vigilancia en pacientes con EII, aún no incluyen instrucciones para el uso de sistemas de detección asistida por IA, un área que se espera que evolucione y se estandarice en un futuro próximo.
El primer sistema de IA para la detección de pólipos asistida por ordenador aprobado por la Food and Drug Administration de Estados Unidos fue GI Genius (Medtronic Corp., Dublín, Irlanda)[[30]]. Desde entonces, se han introducido en la práctica clínica varios sistemas basados en IA, como GI Genius, Endo-AID (Olympus, Tokio, Japón), CAD EYE (Fujifilm, Tokio, Japón), Discovery (Pentax Medical, Tokio, Japón) y EndoBRAIN (Cybernet Systems Corp., Ann Arbor, MI, Estados Unidos). Entre ellos, EndoBRAIN se ha probado específicamente en pacientes con EII.
En un estudio multicéntrico realizado por Kudo et al[[31]], se evaluó el rendimiento diagnóstico del sistema EndoBRAIN para diferenciar las lesiones colorrectales neoplásicas de las no neoplásicas. Entrenado en más de 69.000 imágenes endocitoscópicas, este modelo de IA analiza la morfología nuclear, la arquitectura de las criptas y los patrones microvasculares para clasificar las lesiones[[31]]. Su rendimiento se comparó con el de 30 endoscopistas, tanto expertos como aprendices. Utilizando imágenes endocitoscópicas teñidas, EndoBRAIN alcanzó una sensibilidad del 96,9% (IC del 95%: 95,8%-97,8%), una especificidad del 100% (IC del 95%: 99,6%-100%), un VPP del 100% (IC del 95%: 99,8%-100%), un VPN del 94,6% (IC del 95%: 92,7%-96,1%) y una precisión diagnóstica global del 98% (IC del 95%: 97,3%-98,6%)[[31]]. Cuando se aplicó a imágenes NBI, el sistema demostró resultados comparables, con una sensibilidad del 96,9% (IC del 95%: 95,8%-97,8%), una especificidad del 94,3% (IC del 95%: 92,3%-95,9%), un VPP del 96,9% (IC del 95%: 95,8%-97,8%), un VPN del 94,3% (IC del 95%: 92,3%-95,9%) y una precisión diagnóstica del 96% (IC del 95%: 95,1%-96,8%)[[31]]. En particular, EndoBRAIN superó a los endoscopistas en formación e incluso superó a los clínicos experimentados en algunas métricas, lo que subraya su potencial para el uso rutinario, en particular para la evaluación de pólipos pequeños.
La detección de neoplasias en pacientes con EII sigue siendo un reto diagnóstico importante, ya que los cambios inflamatorios y regenerativos de la mucosa pueden ocultar la presencia de displasia. Para mejorar la detección y caracterización de dichas lesiones, Abdelrahim et al[[32]] desarrollaron un modelo de red neuronal artificial profunda basado en la arquitectura RetinaNet con una columna vertebral ResNet-101. Este diseño permite la extracción y el análisis precisos de características de imagen complejas durante la evaluación endoscópica. En la fase inicial de desarrollo del modelo, el sistema se evaluó utilizando un conjunto de datos de 478 imágenes endoscópicas estáticas obtenidas de 30 pacientes con EII. Entre ellas, se identificaron 25 lesiones neoplásicas, incluidos pólipos dentados sésiles, en 10 pacientes. El modelo demostró una sensibilidad del 93,5% y una especificidad del 80,6% para la detección de lesiones[[32]]. En la segunda fase de validación en tiempo real durante una colonoscopia en otros 30 pacientes con EII, se detectaron 25 lesiones neoplásicas en 11 pacientes. El sistema alcanzó una tasa de detección de lesiones del 90,4%, con una media de 4,6 lesiones y 0,96 neoplasias por colonoscopia[[32]]. Para la caracterización de las lesiones (neoplásicas vs no neoplásicas), el modelo mostró una sensibilidad del 87,5% y una especificidad del 80,6%[[32]].
Estos resultados son especialmente alentadores dada la complejidad diagnóstica que plantean las enfermedades inflamatorias crónicas como la EII. La capacidad de aplicar la IA en tiempo real abre vías prometedoras para estrategias de vigilancia más consistentes, objetivas y reproducibles, especialmente en centros con acceso limitado a endoscopistas altamente experimentados.
Además de los estudios a gran escala, varios informes de casos han puesto de relieve el impacto potencial de la IA en la detección de displasias.
Maeda et al[[33]] describieron el caso de un paciente de 72 años con un historial de 18 años de pancolitis ulcerosa que se sometió a una colonoscopia de cribado mediante HD-WLE asistida por el sistema de detección de IA EndoBRAIN-EYE. Este sistema identificó con éxito dos lesiones displásicas, que se confirmaron posteriormente mediante examen histopatológico.
De forma similar, Fukunaga et al[[34]] comunicaron el caso de una mujer de 46 años con pancolitis de larga evolución en la que se detectó una lesión rectal sospechosa durante una endoscopia de vigilancia mediante NBI y endocitoscopia. El sistema EndoBRAIN clasificó la lesión como neoplásica, que posteriormente se confirmó como displasia de alto grado en el examen histológico. La paciente fue sometida a disección endoscópica de la submucosa como tratamiento definitivo[[34]].
Ambos informes destacaban que los sistemas asistidos por IA pueden mejorar la detección precoz de cambios neoplásicos, especialmente cuando los procedimientos son realizados por endoscopistas no expertos[[33],[34]]. Además, destacaron el potencial de la IA para reducir el número de biopsias innecesarias en pacientes con CU de larga evolución, aumentando así la eficacia de los procedimientos y reduciendo las molestias para el paciente. Las características clave de todos los estudios analizados en esta revisión, incluidos el diseño del estudio, el conjunto de datos y el rendimiento de la IA, se resumen en la tabla 1.### Papel de la IA en la histopatología
Aunque la aplicación de la IA en endoscopia está en expansión, su papel en el análisis histopatológico de la EII y las neoplasias asociadas es igualmente importante. El examen histopatológico sigue siendo el patrón oro para el diagnóstico de displasia y cáncer; sin embargo, requiere mucho tiempo y está sujeto a la variabilidad entre observadores.
Noguchi et al[[35]] desarrollaron un modelo de IA capaz de detectar la positividad de p53 en muestras de tejido teñidas con hematoxilina y eosina (comúnmente denominadas hematoxilina y eosina), eliminando la necesidad de tinciones inmunohistoquímicas (IHC) adicionales. Utilizando una CNN, el modelo se entrenó en secciones de tejido emparejadas teñidas con H&E e IHC y alcanzó una precisión diagnóstica del 86%-91%, con una sensibilidad que oscilaba entre el 73%-83% y una especificidad del 91%-92%[[35]].
Uno de los principales puntos fuertes de este modelo radica en su rentabilidad, ya que podría reducir la necesidad de tinción IHC adicional en determinados flujos de trabajo de diagnóstico. Además, su rápida capacidad de procesamiento lo convierte en un valioso complemento en entornos de patología con mucho trabajo.### AI in assessing IBD activity: Importancia clínica y función de apoyo
Aunque la detección de lesiones displásicas sigue siendo un objetivo crítico, la IA ha demostrado su mayor impacto clínico en la endoscopia GI para la EII mediante la evaluación precisa de la inflamación de la mucosa y la actividad de la enfermedad, que es esencial para guiar las decisiones terapéuticas y monitorizar los resultados de los pacientes. Se han desarrollado varios algoritmos de EA para clasificar la gravedad de la enfermedad endoscópica en la CU con una alta sensibilidad y especificidad. Ozawa et al[[36]] desarrollaron un modelo basado en CNN entrenado en más de 26000 imágenes colonoscópicas, que distinguía con precisión entre la curación de la mucosa y la inflamación activa, logrando un área bajo la curva receiver operating characteristic (AUROC) de 0,98 para las puntuaciones Mayo 0-1[[36]].
Fan et al[[37]] diseñaron un sistema de IA capaz de asignar puntuaciones tanto de Mayo como del Índice Endoscópico de Gravedad de la UC directamente a partir de vídeos de colonoscopias completas. Este modelo proporcionó una clasificación coherente en diferentes segmentos colónicos y generó una visualización integrada de la distribución inflamatoria[[37]].
Takenaka et al[[38]] presentaron el modelo "sistema de red neuronal profunda basado en imágenes endoscópicas de CU", un sistema basado en IA capaz de predecir la remisión endoscópica e histológica sin necesidad de biopsia. El modelo alcanzó una sensibilidad del 92%, una especificidad del 91,3%, un VPP del 86,2% y un VPN del 95,1%. Cabe destacar que este modelo también se correlacionó con resultados clínicos como la hospitalización y la recaída, lo que subraya su importante valor pronóstico[[38]]. De forma similar, Iacucci et al[[39]] crearon un sistema de IA basado en CNN para detectar la remisión endoscópica e histológica en la CU. Cuando se aplicó a la LEOC, el modelo alcanzó una sensibilidad del 72% (IC 95%: 55%-85%), una especificidad del 87% (IC 95%: 81%-91%), un VPP del 53% (IC 95%: 43%-63%), un VPN del 94% (IC 95%: 90%-96%), una precisión del 84% (IC 95%: 79%-89%) y un AUROC de 0,85 (IC 95%: 0,79-0,90). Se observó un mejor rendimiento con el VCE, que proporcionó una sensibilidad del 79% (IC 95%: 63%-90%), una especificidad del 95% (IC 95%: 91%-98%), un VPP del 77% (IC 95%: 64%-86%), un VPN del 96% (IC 95%: 92%-97%), una precisión del 92% (IC 95%: 88%-95%) y un AUROC de 0,94 (IC 95%: 0,91-0,97)[[39]].
Kim et al[[40]] desarrollaron el primer modelo de IA totalmente automatizado y en tiempo real para la puntuación de la actividad de la CU, mostrando una gran concordancia con las evaluaciones de expertos (kappa ponderado: 0,78-0,90) y abordando eficazmente el conocido problema de la variabilidad entre observadores en la práctica clínica. Maeda et al[[41]] también destacaron la importancia de los sistemas de IA en tiempo real para predecir la recaída de la enfermedad en pacientes con CU que se encuentran en remisión clínica, un avance que conlleva importantes implicaciones clínicas para la gestión proactiva de la enfermedad.
La IA también se ha mostrado prometedora para evaluar la actividad de la enfermedad de Crohn y diferenciar la EII de otras afecciones. Yang et al_[[42]] informaron de modelos de IA que predicen la gravedad de la CU y distinguen la enfermedad de Crohn de la enfermedad de Behçet y la tuberculosis intestinal, con sensibilidades que oscilan entre el 72% y el 83% y especificidades entre el 86% y el 96%.
Aunque las pruebas actuales destacan el potencial de la IA para mejorar la detección precoz de displasia y CCR en pacientes con EII, se necesitan más estudios prospectivos multicéntricos a gran escala. Muchos estudios siguen siendo preliminares, a menudo limitados por tamaños de muestra pequeños, diseños unicéntricos o metodologías retrospectivas. Además, los organismos reguladores y las principales directrices clínicas, incluidas las del consenso ECCO y SCENIC, aún no han incorporado plenamente las tecnologías asistidas por IA en los protocolos de vigilancia estándar.
No obstante, los datos acumulados sugieren que la IA, cuando se utiliza como complemento de la interpretación experta, puede mejorar significativamente la detección de lesiones, reducir la variabilidad entre observadores y agilizar la toma de decisiones clínicas. A medida que estos sistemas se vuelvan más sofisticados y ampliamente validados, se espera que se conviertan en componentes integrales de la vigilancia y el manejo de la EII, tanto en endoscopia como en histopatología.### Limitaciones y barreras para la implementación
A pesar de los prometedores resultados, varias barreras del mundo real siguen limitando la implantación generalizada de la IA en endoscopia para pacientes con EII, así como para otras indicaciones GI. Uno de los principales retos es la rentabilidad. La integración de sistemas de IA requiere importantes recursos, como software especializado, hardware de alto rendimiento e infraestructura segura de almacenamiento de datos. Esto es especialmente problemático en entornos con recursos limitados y en centros con un volumen de pacientes relativamente bajo, donde la relación coste-beneficio de la adopción de la IA puede ser menos favorable. Otra limitación crítica es la necesidad de una formación adecuada tanto de los endoscopistas como de los asistentes de endoscopia. Además de dominar las competencias endoscópicas básicas, los clínicos también deben comprender los principios técnicos básicos de la IA, interpretar correctamente los resultados generados por la IA y, lo que es más importante, reconocer las limitaciones de estos sistemas. En estrecha relación con lo anterior está la importante cuestión de las implicaciones médico-legales de la IA en endoscopia. La responsabilidad legal de las decisiones clínicas tomadas con la ayuda de la IA sigue sin estar clara, especialmente cuando las recomendaciones generadas por la IA entran en conflicto con el juicio del clínico. Los autores de esta revisión mantienen la postura de que, en cualquier caso de discrepancia entre los resultados de la IA y la experiencia clínica, la decisión final debe basarse siempre en el criterio del médico. Creemos que los sistemas de IA tardarán bastante tiempo en igualar la evaluación clínica exhaustiva y contextual realizada por endoscopistas experimentados.
La integración del flujo de trabajo representa otro reto importante. Las herramientas de IA deben incorporarse perfectamente a los protocolos clínicos existentes sin prolongar significativamente la duración o la complejidad de los procedimientos endoscópicos.
Al hablar de las limitaciones prácticas, es esencial tener en cuenta los estudios que ponen de relieve los retos de la aplicación en el contexto de la EII. Una revisión sistemática realizada por Liu et al[[43]] demostró que muchos modelos de IA basados en imágenes para la EII conllevan un alto riesgo de sesgo. Los problemas comunes incluían tamaños de muestra pequeños, manejo deficiente de los datos que faltaban y falta de cohortes de validación externas[[43]].
De forma similar, López-Serrano et al[[44]] compararon el rendimiento de VCE con el sistema de IA CADe Discovery™ para la detección de displasia en pacientes con CU. Aunque ambos métodos alcanzaron una alta sensibilidad del 90%, el sistema CADe mostró una especificidad pobre (5%), un VPP muy bajo (2%) y una precisión diagnóstica global de sólo el 22,9%[[44]]. Estos hallazgos sugieren que, a pesar de las altas tasas de detección de displasia, el sistema CADe produjo un número sustancial de falsos positivos, lo que potencialmente limita su utilidad clínica. Estos resultados negativos o limitados subrayan que, aunque la IA es muy prometedora, su aplicación en el mundo real a menudo se ve obstaculizada por deficiencias metodológicas, la heterogeneidad de la enfermedad y la falta de estudios de validación sólidos. La investigación futura debería abordar estos retos incorporando resultados tanto positivos como negativos, garantizando tamaños de muestra adecuados y realizando estudios multicéntricos validados externamente para evaluar mejor el rendimiento de la IA en diversos entornos clínicos.
Modelos de IA para la detección precoz de displasias en la EII
Uno de los aspectos clave de la evaluación endoscópica en pacientes con EII es la detección oportuna de la displasia, que permite una intervención terapéutica rápida y adecuada. La relevancia de la IA en la detección de displasia ha sido confirmada por varios estudios significativos.
Uno de los modelos basados en IA más impactantes para detectar lesiones polipoides y no polipoides en pacientes con EII fue desarrollado por Guerrero Vinsard et al[[12]] en 2023. Este modelo se entrenó utilizando datos de 3437 colonoscopias realizadas tanto con HD-WLE como con cromoendoscopia basada en colorantes[[12]]. Los criterios de inclusión clave fueron la presencia de una lesión macroscópicamente visible durante la colonoscopia de vigilancia en pacientes con EII y la confirmación histopatológica de los hallazgos[[12]]. Las lesiones se clasificaron en cinco grupos: lesiones displásicas, lesiones no displásicas, pseudopólipos, componentes superficiales elevados (SEC) y adenomas dentados sésiles (SSA)[[12]].
El sistema CADe demostró un excelente rendimiento diagnóstico, con una sensibilidad del 95,1%, una especificidad del 98,8%, un valor predictivo positivo (VPP) del 98,9%, un valor predictivo negativo (VPN) del 94,7%, una precisión global del 96,8% y un área bajo la curva de 0,85[[12]]. El algoritmo alcanzó una sensibilidad similar del 90% tanto para pólipos no displásicos como displásicos, con un VPP del 100% para pólipos no displásicos y del 95% para pólipos displásicos[[12]]. Para los SEC, el sistema alcanzó una sensibilidad del 85% y un VPP del 100%, mientras que para los SSA, la sensibilidad alcanzó el 94% con un VPP del 100%[[12]]. En cuanto al tamaño de la lesión, el sistema IBD-CADe mostró un rendimiento constante para las lesiones más pequeñas, con una tasa de verdaderos positivos del 91%-93%, mientras que la precisión de la detección disminuyó ligeramente para las lesiones mayores de 10 mm, con una tasa de verdaderos positivos del 85%[[12]]. Estos resultados reflejan el rendimiento diagnóstico del modelo utilizando HD-WLE.
En cambio, el rendimiento del sistema cuando se aplicó a imágenes de cromoendoscopia fue notablemente inferior, con una sensibilidad del 67,4%, una especificidad del 88,0%, un VPP del 83,3%, una precisión del 77,8% y un área bajo la curva de 0,65[[12]]. La mayor sensibilidad en esta modalidad se observó para los SEC, mientras que la detección de los SSA se redujo notablemente, con una tasa de verdaderos positivos de sólo el 36%[[12]]. Las tasas de detección de lesiones displásicas, no displásicas y pseudopólipos fueron relativamente comparables. En el caso de la cromoendoscopia, la tasa de verdaderos positivos más elevada, del 73%, se registró en las lesiones mayores de 10 mm[[12]].
Otro sistema de IA desarrollado por Yamamoto et al[[13]] empleó una arquitectura CNN profunda basada en EfficientNet-B3 para diferenciar lesiones neoplásicas en pacientes con EII. Las lesiones se clasificaron en dos grupos: Adenocarcinoma/displasia de alto grado y displasia de bajo grado/adenoma esporádico/mucosa normal[[13]]. El modelo de IA demostró una precisión diagnóstica superior del 79% [intervalo de confianza (IC) del 95%: 72,5%-84,6%], superando a los endoscopistas no expertos, que alcanzaron una precisión del 75,8% (IC del 95%: 72,0%-79,3%), y superando ligeramente la precisión de los endoscopistas expertos en un 77,8% (IC del 95%: 74,7%-80,8%)[[13]]. La sensibilidad y especificidad del modelo fueron del 72,5% (IC 95%: 60,4%-82,5%) y del 82,9% (IC 95%: 74,8%-89,2%), respectivamente, lo que sugiere su aplicabilidad en la práctica clínica habitual para la evaluación objetiva de lesiones de alto riesgo en pacientes con EII[[13]].
Importancia de las técnicas endoscópicas de vigilancia y detección
La detección precoz de la displasia está indisolublemente ligada a la realización de colonoscopias periódicas de cribado y vigilancia en pacientes con EII. La displasia rara vez se identifica durante la colonoscopia inicial en el momento del diagnóstico, ya que su desarrollo requiere un periodo prolongado de inflamación crónica y progresión de la enfermedad.
Ciertos subgrupos de pacientes con EII presentan un mayor riesgo de desarrollar CCR en comparación con la población general[[14],[15]]. Gracias a la adopción de herramientas de detección modernas e innovadoras y de modalidades terapéuticas avanzadas, la incidencia y la mortalidad del CCR asociado a la EII han disminuido significativamente en los últimos años[[15]].
La inflamación crónica es el factor clave de la transformación neoplásica en la EII. El efecto acumulativo de la inflamación prolongada promueve el desarrollo de lesiones displásicas -caracterizadas por células displásicas que se extienden por toda la altura de la cripta en la colitis- que pueden servir como precursoras del CCR asociado a colitis[[15]]. Histológicamente, la displasia se define como una proliferación neoplásica de la mucosa intestinal confinada a la membrana basal, sin evidencia de invasión[[16]].
La clasificación de Paris se utiliza habitualmente para describir la morfología de las lesiones GI superficiales en la EII[[17]]. Según este sistema, las lesiones GI se clasifican en polipoides y no polipoides. Las lesiones polipoides pueden ser pedunculadas, semipedunculadas o sésiles, mientras que las lesiones no polipoides incluyen morfologías ligeramente elevadas, planas, ligeramente deprimidas o ulceradas/erodadas[[17]].
A pesar de los avances significativos en la tecnología endoscópica y en las técnicas de detección de lesiones, una proporción considerable de adenomas -especialmente los que tienen potencial maligno- siguen sin detectarse. Un metaanálisis de Zhao et al[[18]], basado en más de 15.000 colonoscopias en tándem, informó de tasas de error del 26% (IC del 95%: 23%-30%) para los adenomas, del 9% (IC del 95%: 4%-16%) para los adenomas avanzados y del 27% (IC del 95%: 16%-40%) para los pólipos dentados. Dado que el error humano es el principal responsable de que no se detecten estas lesiones, existe un creciente interés por las herramientas de detección asistida por IA para apoyar el diagnóstico precoz del CCR. Sin embargo, es importante señalar que la preparación inadecuada del intestino -un factor que va más allá del alcance actual de la corrección de la IA- sigue planteando un reto significativo para la visualización y detección óptimas de las lesiones.
Se han desarrollado varios sistemas basados en IA para la detección precoz de lesiones colorrectales utilizando modelos DL y ML[[18]]. La mayoría de los estudios muestran que los sistemas de IA mejoran significativamente la tasa de detección de adenomas en comparación con los endoscopistas humanos, aunque algunos datos sugieren un rendimiento comparable[[19],[20]]. La tasa de detección de adenomas es un indicador de calidad crítico para la colonoscopia, y la mejora de esta métrica mejora directamente la calidad general del procedimiento.
Una de las técnicas más eficaces para la detección de displasias sigue siendo la cromoendoscopia, que puede realizarse mediante cromoendoscopia con colorante o cromoendoscopia virtual (CVE)[[21]]. La cromoendoscopia basada en colorantes implica la aplicación tópica de agentes de contraste como el índigo carmín o colorantes absorbentes como el azul de metileno o el violeta cristal directamente sobre la mucosa para mejorar la visualización de anomalías sutiles. Cada colorante tiene sus ventajas; el índigo carmín y el violeta cristal pueden aplicarse fácilmente mediante un catéter pulverizador, mientras que el azul de metileno requiere una preparación adicional. Los colorantes de contraste se utilizan con más frecuencia en el colon, mientras que los colorantes de absorción suelen reservarse para el tracto gastrointestinal superior[[22],[23]]. En cambio, la ECV emplea tecnologías ópticas o digitales para conseguir un aumento del contraste de la mucosa sin necesidad de tintes. Los sistemas basados en filtros ópticos, como las imágenes de banda estrecha (NBI), restringen el espectro de luz a estrechas longitudes de onda azules y verdes absorbidas por la hemoglobina, realzando así los patrones vasculares y los detalles de la mucosa. Los sistemas de posprocesamiento digital, como i-SCAN y el sistema VCE de Fujifilm, mejoran aún más el contraste de la imagen mediante algoritmos[[21],[23],[24]].
La HD-WLE proporciona resoluciones de imagen de hasta dos millones de píxeles por fotograma, lo que facilita la evaluación detallada de la arquitectura de la mucosa[[25]]. Para una precisión óptica aún mayor, métodos como la CLE y la endocitoscopia permiten obtener imágenes de gran aumento en tiempo real. Estos métodos, a menudo denominados herramientas de "biopsia óptica", permiten la evaluación de lesiones específicas mediante tintes fluorescentes y una mayor ampliación[[26]]. Los sistemas de CLE están disponibles en dos configuraciones: CLE basado en sonda y CLE basado en endoscopio. Aunque la CLE se utiliza ampliamente en la endoscopia GI, es especialmente útil para evaluar la displasia, la inflamación y la actividad de la enfermedad en pacientes con EII[[26]]. En un estudio de Kiesslich et al[[27]], se comparó el rendimiento de la CLE y la cromoendoscopia con el de la colonoscopia convencional. La tasa de detección de lesiones neoplásicas en pacientes con CU fue casi cinco veces superior cuando se utilizaron técnicas de imagen avanzadas en comparación con la colonoscopia convencional sola[[27]]. Existen diversas directrices para la vigilancia endoscópica de los pacientes con EII, y las más utilizadas son las de la Organización Europea de Crohn y Colitis (ECCO)[[28]]. Según estas recomendaciones, el riesgo de CCR es mayor en pacientes con colitis extensa, moderado en aquellos con colitis del lado izquierdo (segmentaria), y menor en aquellos con proctitis[[28]]. Los pacientes con inflamación grave, colitis asociada a colangitis esclerosante primaria y aquellos con antecedentes familiares de CCR también presentan un mayor riesgo[[28]]. Por lo tanto, los intervalos de vigilancia deben individualizarse y estratificarse en función de los factores de riesgo clínicos, los hallazgos histológicos y la gravedad de los síntomas[[28]]. Se recomienda realizar una colonoscopia de cribado aproximadamente 8 años después de la aparición de los síntomas para evaluar la extensión de la enfermedad y detectar posibles displasias[[28]]. Según las directrices de la ECCO, los pacientes de alto riesgo (aquellos con estenosis o displasia detectada en los 5 años anteriores, colitis asociada a colangitis esclerosante primaria, colitis extensa con inflamación activa grave o antecedentes familiares de CCR en un familiar de primer grado menor de 50 años) deben someterse a una colonoscopia de vigilancia cada año[[28]]. Los pacientes de riesgo intermedio deben someterse a colonoscopia cada 2-3 años, mientras que los pacientes de bajo riesgo pueden ser controlados a intervalos de 5 años[[28]].
El consenso SCENIC también ofrece recomendaciones para la endoscopia de vigilancia en pacientes con EII y destaca la superioridad de la cromoendoscopia sobre la LEB. Según estas directrices, la cromoendoscopia es preferible a la EML, sobre todo cuando se utiliza la colonoscopia de definición estándar[[29]].
Aunque las directrices actuales proporcionan recomendaciones claras para las colonoscopias de vigilancia en pacientes con EII, aún no incluyen instrucciones para el uso de sistemas de detección asistida por IA, un área que se espera que evolucione y se estandarice en un futuro próximo.
El primer sistema de IA para la detección de pólipos asistida por ordenador aprobado por la Food and Drug Administration de Estados Unidos fue GI Genius (Medtronic Corp., Dublín, Irlanda)[[30]]. Desde entonces, se han introducido en la práctica clínica varios sistemas basados en IA, como GI Genius, Endo-AID (Olympus, Tokio, Japón), CAD EYE (Fujifilm, Tokio, Japón), Discovery (Pentax Medical, Tokio, Japón) y EndoBRAIN (Cybernet Systems Corp., Ann Arbor, MI, Estados Unidos). Entre ellos, EndoBRAIN se ha probado específicamente en pacientes con EII.
En un estudio multicéntrico realizado por Kudo et al[[31]], se evaluó el rendimiento diagnóstico del sistema EndoBRAIN para diferenciar las lesiones colorrectales neoplásicas de las no neoplásicas. Entrenado en más de 69.000 imágenes endocitoscópicas, este modelo de IA analiza la morfología nuclear, la arquitectura de las criptas y los patrones microvasculares para clasificar las lesiones[[31]]. Su rendimiento se comparó con el de 30 endoscopistas, tanto expertos como aprendices. Utilizando imágenes endocitoscópicas teñidas, EndoBRAIN alcanzó una sensibilidad del 96,9% (IC del 95%: 95,8%-97,8%), una especificidad del 100% (IC del 95%: 99,6%-100%), un VPP del 100% (IC del 95%: 99,8%-100%), un VPN del 94,6% (IC del 95%: 92,7%-96,1%) y una precisión diagnóstica global del 98% (IC del 95%: 97,3%-98,6%)[[31]]. Cuando se aplicó a imágenes NBI, el sistema demostró resultados comparables, con una sensibilidad del 96,9% (IC del 95%: 95,8%-97,8%), una especificidad del 94,3% (IC del 95%: 92,3%-95,9%), un VPP del 96,9% (IC del 95%: 95,8%-97,8%), un VPN del 94,3% (IC del 95%: 92,3%-95,9%) y una precisión diagnóstica del 96% (IC del 95%: 95,1%-96,8%)[[31]]. Cabe destacar que EndoBRAIN superó a los endoscopistas en formación e incluso superó a los clínicos experimentados en algunas métricas, lo que subraya su potencial para el uso rutinario, en particular para la evaluación de pólipos pequeños.
Avances recientes de la IA e integración en la vigilancia de la EII
La detección de neoplasias en pacientes con EII sigue siendo un importante reto diagnóstico, ya que los cambios inflamatorios y regenerativos de la mucosa pueden ocultar la presencia de displasia. Para mejorar la detección y caracterización de dichas lesiones, Abdelrahim et al[[32]] desarrollaron un modelo de red neuronal artificial profunda basado en la arquitectura RetinaNet con una columna vertebral ResNet-101. Este diseño permite la extracción y el análisis precisos de características de imagen complejas durante la evaluación endoscópica. En la fase inicial de desarrollo del modelo, el sistema se evaluó utilizando un conjunto de datos de 478 imágenes endoscópicas estáticas obtenidas de 30 pacientes con EII. Entre ellas, se identificaron 25 lesiones neoplásicas, incluidos pólipos dentados sésiles, en 10 pacientes. El modelo demostró una sensibilidad del 93,5% y una especificidad del 80,6% para la detección de lesiones[[32]]. En la segunda fase de validación en tiempo real durante una colonoscopia en otros 30 pacientes con EII, se detectaron 25 lesiones neoplásicas en 11 pacientes. El sistema alcanzó una tasa de detección de lesiones del 90,4%, con una media de 4,6 lesiones y 0,96 neoplasias por colonoscopia[[32]]. Para la caracterización de las lesiones (neoplásicas vs no neoplásicas), el modelo mostró una sensibilidad del 87,5% y una especificidad del 80,6%[[32]].
Estos resultados son especialmente alentadores dada la complejidad diagnóstica que plantean las enfermedades inflamatorias crónicas como la EII. La capacidad de aplicar la IA en tiempo real abre vías prometedoras para estrategias de vigilancia más consistentes, objetivas y reproducibles, especialmente en centros con acceso limitado a endoscopistas altamente experimentados.
Informes de casos que apoyan la detección de displasia asistida por IA
Además de los estudios a gran escala, varios informes de casos han puesto de relieve el impacto potencial de la IA en la detección de displasias.
Maeda et al[[33]] describieron el caso de un paciente de 72 años con un historial de 18 años de pancolitis ulcerosa que se sometió a una colonoscopia de cribado mediante HD-WLE asistida por el sistema de detección de IA EndoBRAIN-EYE. Este sistema identificó con éxito dos lesiones displásicas, que se confirmaron posteriormente mediante examen histopatológico.
De forma similar, Fukunaga et al[[34]] comunicaron el caso de una mujer de 46 años con pancolitis de larga evolución en la que se detectó una lesión rectal sospechosa durante una endoscopia de vigilancia mediante NBI y endocitoscopia. El sistema EndoBRAIN clasificó la lesión como neoplásica, que posteriormente se confirmó como displasia de alto grado en el examen histológico. La paciente fue sometida a disección endoscópica de la submucosa como tratamiento definitivo[[34]].
Ambos informes destacaban que los sistemas asistidos por IA pueden mejorar la detección precoz de cambios neoplásicos, especialmente cuando los procedimientos son realizados por endoscopistas no expertos[[33],[34]]. Además, destacaron el potencial de la IA para reducir el número de biopsias innecesarias en pacientes con CU de larga evolución, aumentando así la eficacia de los procedimientos y reduciendo las molestias para el paciente. Las características clave de todos los estudios analizados en esta revisión, incluidos el diseño del estudio, el conjunto de datos y el rendimiento de la IA, se resumen en la tabla 1.
Papel de la IA en la histopatología
Aunque la aplicación de la IA en endoscopia está en expansión, su papel en el análisis histopatológico de la EII y las neoplasias asociadas es igualmente importante. El examen histopatológico sigue siendo el patrón oro para el diagnóstico de displasia y cáncer; sin embargo, requiere mucho tiempo y está sujeto a la variabilidad entre observadores.
Noguchi et al[[35]] desarrollaron un modelo de IA capaz de detectar la positividad de p53 en muestras de tejido teñidas con hematoxilina y eosina (comúnmente denominadas hematoxilina y eosina), eliminando la necesidad de tinciones inmunohistoquímicas (IHC) adicionales. Utilizando una CNN, el modelo se entrenó en secciones de tejido emparejadas teñidas con H&E e IHC y alcanzó una precisión diagnóstica del 86%-91%, con una sensibilidad que oscilaba entre el 73%-83% y una especificidad del 91%-92%[[35]].
Uno de los principales puntos fuertes de este modelo radica en su rentabilidad, ya que podría reducir la necesidad de tinción IHC adicional en determinados flujos de trabajo de diagnóstico. Además, su rápida capacidad de procesamiento lo convierte en un valioso complemento en entornos de patología con mucho trabajo.
AI in assessing IBD activity: Importancia clínica y función de apoyo
Aunque la detección de lesiones displásicas sigue siendo un objetivo crítico, la IA ha demostrado su mayor impacto clínico en la endoscopia GI para la EII mediante la evaluación precisa de la inflamación de la mucosa y la actividad de la enfermedad, que es esencial para orientar las decisiones terapéuticas y controlar los resultados de los pacientes. Se han desarrollado varios algoritmos de EA para clasificar la gravedad de la enfermedad endoscópica en la CU con una alta sensibilidad y especificidad. Ozawa et al[[36]] desarrollaron un modelo basado en CNN entrenado en más de 26000 imágenes colonoscópicas, que distinguía con precisión entre la curación de la mucosa y la inflamación activa, logrando un área bajo la curva receiver operating characteristic (AUROC) de 0,98 para las puntuaciones Mayo 0-1[[36]].
Fan et al[[37]] diseñaron un sistema de IA capaz de asignar puntuaciones tanto de Mayo como del Índice Endoscópico de Gravedad de la UC directamente a partir de vídeos de colonoscopias completas. Este modelo proporcionó una clasificación coherente en diferentes segmentos colónicos y generó una visualización integrada de la distribución inflamatoria[[37]].
Takenaka et al[[38]] presentaron el modelo "sistema de red neuronal profunda basado en imágenes endoscópicas de CU", un sistema basado en IA capaz de predecir la remisión endoscópica e histológica sin necesidad de biopsia. El modelo alcanzó una sensibilidad del 92%, una especificidad del 91,3%, un VPP del 86,2% y un VPN del 95,1%. Cabe destacar que este modelo también se correlacionó con resultados clínicos como la hospitalización y la recaída, lo que subraya su importante valor pronóstico[[38]]. De forma similar, Iacucci et al[[39]] crearon un sistema de IA basado en CNN para detectar la remisión endoscópica e histológica en la CU. Cuando se aplicó a la LEOC, el modelo alcanzó una sensibilidad del 72% (IC 95%: 55%-85%), una especificidad del 87% (IC 95%: 81%-91%), un VPP del 53% (IC 95%: 43%-63%), un VPN del 94% (IC 95%: 90%-96%), una precisión del 84% (IC 95%: 79%-89%) y un AUROC de 0,85 (IC 95%: 0,79-0,90). Se observó un mejor rendimiento con el VCE, que proporcionó una sensibilidad del 79% (IC 95%: 63%-90%), una especificidad del 95% (IC 95%: 91%-98%), un VPP del 77% (IC 95%: 64%-86%), un VPN del 96% (IC 95%: 92%-97%), una precisión del 92% (IC 95%: 88%-95%) y un AUROC de 0,94 (IC 95%: 0,91-0,97)[[39]].
Kim et al[[40]] desarrollaron el primer modelo de IA totalmente automatizado y en tiempo real para la puntuación de la actividad de la CU, mostrando una gran concordancia con las evaluaciones de expertos (kappa ponderado: 0,78-0,90) y abordando eficazmente el conocido problema de la variabilidad entre observadores en la práctica clínica. Maeda et al[[41]] también destacaron la importancia de los sistemas de IA en tiempo real para predecir la recaída de la enfermedad en pacientes con CU que se encuentran en remisión clínica, un avance que conlleva importantes implicaciones clínicas para la gestión proactiva de la enfermedad.
La IA también se ha mostrado prometedora para evaluar la actividad de la enfermedad de Crohn y diferenciar la EII de otras afecciones. Yang et al[[42]] informaron de modelos de IA que predicen la gravedad de la CU y distinguen la enfermedad de Crohn de la enfermedad de Behçet y la tuberculosis intestinal, con sensibilidades que oscilan entre el 72% y el 83% y especificidades entre el 86% y el 96%.
Orientaciones futuras
Aunque las pruebas actuales destacan el potencial de la IA para mejorar la detección precoz de displasia y CCR en pacientes con EII, se necesitan más estudios prospectivos multicéntricos a gran escala. Muchos estudios siguen siendo preliminares, a menudo limitados por tamaños de muestra pequeños, diseños unicéntricos o metodologías retrospectivas. Además, los organismos reguladores y las principales directrices clínicas, incluidas las del consenso ECCO y SCENIC, aún no han incorporado plenamente las tecnologías asistidas por IA en los protocolos de vigilancia estándar.
No obstante, los datos acumulados sugieren que la IA, cuando se utiliza como complemento de la interpretación experta, puede mejorar significativamente la detección de lesiones, reducir la variabilidad entre observadores y agilizar la toma de decisiones clínicas. A medida que estos sistemas se vuelvan más sofisticados y ampliamente validados, se espera que se conviertan en componentes integrales de la vigilancia y la gestión de la EII, tanto en endoscopia como en histopatología.
Limitaciones y obstáculos a la implantación
A pesar de los prometedores resultados, varias barreras del mundo real siguen limitando la implantación generalizada de la IA en endoscopia para pacientes con EII, así como para otras indicaciones GI. Uno de los principales retos es la rentabilidad. La integración de sistemas de IA requiere importantes recursos, como software especializado, hardware de alto rendimiento e infraestructura segura de almacenamiento de datos. Esto es especialmente problemático en entornos con recursos limitados y en centros con un volumen de pacientes relativamente bajo, donde la relación coste-beneficio de la adopción de la IA puede ser menos favorable. Otra limitación crítica es la necesidad de una formación adecuada tanto de los endoscopistas como de los asistentes de endoscopia. Además de dominar las competencias endoscópicas básicas, los clínicos también deben comprender los principios técnicos básicos de la IA, interpretar correctamente los resultados generados por la IA y, lo que es más importante, reconocer las limitaciones de estos sistemas. En estrecha relación con lo anterior está la importante cuestión de las implicaciones médico-legales de la IA en endoscopia. La responsabilidad legal de las decisiones clínicas tomadas con la ayuda de la IA sigue sin estar clara, especialmente cuando las recomendaciones generadas por la IA entran en conflicto con el juicio del clínico. Los autores de esta revisión mantienen la postura de que, en cualquier caso de discrepancia entre los resultados de la IA y la experiencia clínica, la decisión final debe basarse siempre en el criterio del médico. Creemos que los sistemas de IA tardarán bastante tiempo en igualar la evaluación clínica exhaustiva y contextual realizada por endoscopistas experimentados.
La integración del flujo de trabajo representa otro reto importante. Las herramientas de IA deben incorporarse perfectamente a los protocolos clínicos existentes sin prolongar significativamente la duración o la complejidad de los procedimientos endoscópicos.
Al hablar de las limitaciones prácticas, es esencial tener en cuenta los estudios que ponen de relieve los retos de la aplicación en el contexto de la EII. Una revisión sistemática realizada por Liu et al[[43]] demostró que muchos modelos de IA basados en imágenes para la EII conllevan un alto riesgo de sesgo. Los problemas comunes incluían tamaños de muestra pequeños, manejo deficiente de los datos que faltaban y falta de cohortes de validación externas[[43]].
De forma similar, López-Serrano et al[[44]] compararon el rendimiento de VCE con el sistema de IA CADe Discovery™ para la detección de displasia en pacientes con CU. Aunque ambos métodos alcanzaron una alta sensibilidad del 90%, el sistema CADe mostró una especificidad pobre (5%), un VPP muy bajo (2%) y una precisión diagnóstica global de sólo el 22,9%[[44]]. Estos hallazgos sugieren que, a pesar de las altas tasas de detección de displasia, el sistema CADe produjo un número sustancial de falsos positivos, lo que potencialmente limita su utilidad clínica. Estos resultados negativos o limitados subrayan que, aunque la IA es muy prometedora, su aplicación en el mundo real a menudo se ve obstaculizada por deficiencias metodológicas, la heterogeneidad de la enfermedad y la falta de estudios de validación sólidos. La investigación futura debería abordar estos retos incorporando resultados tanto positivos como negativos, garantizando tamaños de muestra adecuados y realizando estudios multicéntricos validados externamente para evaluar mejor el rendimiento de la IA en diversos entornos clínicos.
CONCLUSIÓN
La IA ha hecho avanzar considerablemente los métodos diagnósticos, terapéuticos y pronósticos en gastroenterología. En el contexto de la endoscopia de la EII, la IA mejora la precisión diagnóstica al detectar cambios sutiles en la mucosa, diferenciar la CU de la enfermedad de Crohn y de la colitis no relacionada con la EII, y predecir la remisión histológica. Permite tomar decisiones más rápidas y precisas, cruciales para la detección de displasias y la evaluación de la actividad de la enfermedad, lo que en última instancia favorece la atención personalizada del paciente. Se espera que los futuros avances se centren en sistemas estandarizados de puntuación automatizada, modelos predictivos y la identificación de nuevos fenotipos de enfermedad. Aunque es posible que la IA no sustituya por completo a los médicos, su integración en la práctica clínica es inevitable y esencial, ya que sirve como herramienta objetiva para ayudar y mejorar la toma de decisiones médicas. Este artículo contribuye a la literatura existente al proporcionar un análisis centrado y detallado de las aplicaciones de la IA en la detección y caracterización de la displasia entre los pacientes con EII, un área crítica para la prevención del CCR en esta población de alto riesgo. Este enfoque lo distingue de revisiones anteriores que han abordado aplicaciones de IA más amplias en la endoscopia GI, subrayando los desafíos y oportunidades específicos exclusivos de la vigilancia de la EII.
¡Aún no hay comentarios. Sé el primero en comentar!