Aplicaciones del aprendizaje profundo en el tratamiento del cáncer: Predicción. Base de investigación exhaustiva para una revisión sistemática y un metaanálisis.

El aprendizaje profundo ha surgido rápidamente como una tecnología transformadora en oncología, ofreciendo nuevas capacidades en la predicción de la respuesta al tratamiento y en la atención personalizada del cáncer. Esta revisión sistemática y metaanálisis tiene como objetivo evaluar el rendimiento predictivo, la calidad metodológica y la implementación clínica de los modelos de aprendizaje profundo para los resultados del tratamiento del cáncer. Una búsqueda exhaustiva en diez bases de datos y servidores de preimpresiones identificó 158 estudios elegibles, de los cuales se incluyeron 89 en la síntesis cuantitativa.

Los resultados revelaron AUCs agrupados de 0,823 (validación interna) y 0,787 (validación externa), con un rendimiento superior observado en los modelos multimodales y basados en Transformer.

Sin embargo, dada la importante heterogeneidad (I2 > 70 %) entre los estudios incluidos, estas estimaciones agrupadas deben interpretarse como indicadores generales de viabilidad metodológica en lugar de puntos de referencia de rendimiento definitivos. Las inconsistencias metodológicas, el alto riesgo de sesgo y la validación externa limitada fueron comunes, y solo el 9 % de los modelos se habían implementado clínicamente.

Este estudio contribuye a la literatura al proporcionar la primera síntesis metaanalítica transversal del aprendizaje profundo en la predicción del tratamiento en diferentes tipos de cáncer y arquitecturas de modelos. Los hallazgos destacan tanto el potencial como las limitaciones actuales de la integración de la IA en oncología y enfatizan la necesidad de una validación rigurosa, una presentación transparente y una investigación traslacional. La revisión abarcó estudios sobre tumores sólidos (mama, pulmón, colorrectal, próstata y otros) y diversas modalidades de tratamiento, incluido el quimioterapia, la inmunoterapia, la radioterapia, la terapia dirigida y las intervenciones quirúrgicas. Las medidas de resultado incluyeron la predicción de la respuesta al tratamiento (medida a través de AUC), la supervivencia global y la supervivencia libre de progresión (evaluadas mediante el índice C y las razones de riesgo), y la utilidad clínica (evaluada mediante el análisis del beneficio neto y las curvas de decisión).