Aplicación de inteligencia artificial en patología rutinaria: rendimiento de ChatGPT-4.0 y Gemini 2.5 pro en la detección de deficiencia de MMR en cáncer colorrectal.

La inmunohistoquímica (IHQ) es un paso crucial en la gestión diagnóstica y terapéutica del carcinoma de colon recto (CCR).

Este estudio buscó explorar la factibilidad y precisión diagnóstica de modelos generales de visión-idioma (VLM), específicamente Gemini (2.5 Pro) y ChatGPT-4.0, para la clasificación automatizada del estado MMR utilizando imágenes de secciones completas de tejido inmunohistoquímicas (ISQs). Se analizó una cohorte retrospectiva de 50 casos de CCR, estratificados por fenotipo MMR de referencia, con los modelos realizando una evaluación dual: evaluación individual IHQ y un resultado general (Reparo Inadecuado de Desplazamiento Proficiente, pMMR, o Deficiente, dMMR). Los modelos AI alcanzaron 100% de especificidad en la clasificación correcta de casos con retención de los cuatro proteínas MMR como pMMR (20/20 casos).

Sin embargo, la sensibilidad general para detectar casos dMMR fue del 65% (13/20 casos), con una concordancia menor observada para la pérdida MSH2/MSH6 (60%) en comparación con la pérdida MLH1/PMS2 (70%). Esta disminución en sensibilidad se atribuyó a la reticencia de los modelos para confirmar la pérdida verdadera de proteínas, frecuentemente categorizando el resultado como "Indeterminado" o "Inadecuado". Crucialmente, la certeza diagnóstica de los modelos AI aumentó drásticamente solo cuando un control interno positivo claro (CIP) era visible en la imagen, estableciendo al CIP como una característica indispensable para una identificación robusta dMMR y diferenciar la pérdida biológica verdadera de artefactos técnicos.